提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、DCGAN简介1.1 DCGAN的特点二、几个重要概念2.1 下采样（SubSampled）2.2 上采样（UpSampled）2.3反卷积（Deconvolution）三、G模型三、实现代码： 前言提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学
转载
2024-04-26 11:44:00
82阅读
为了避免四处收集资料，所以把学到的全记到这里。import argparse
import os
import numpy as np
import math
import torchvision.transforms as transforms
from torchvision.utils import save_image
from torch.utils.data import DataLo
GAN（Generative Adversarial Networks）容易被名字迷惑理解为某种新型的神经网络，其实GAN是一种组合神经网络达到自己的目的的“思想”或者“框架”，“思想”就是对抗。如果把每个神经网络模块看做机器的某一个“大脑”（现在手机或者PC喜欢管这个叫“核”，比如什么多核cpu），，那么GAN主要通过“大脑”之间对抗，让每个“大脑”都变的聪明——“聪明”就是每个神经网络模块都
GAN：生成对抗网络，首先是一个生成模型，区别与之前的辨别模型，对抗体现在生成器与辨别器之间的对抗。 生成器输入的是噪音，通过多层的MLP可以产生图片，将产生的图片和真实图片输入到辨别器，辨别器进行分辨生成的图片是否是真实的图片，如果是输出1，不是输出0。 GAN主要的优化公式: 1:固定G，训练D，真实数据x希望被D分为1，生成数据z希望被D分为0。根据log函数性质，如果x被错分为0的话，那么
转载
2024-07-05 18:08:37
224阅读
利用Tensorflow2构建CNN并用于图像分类本文将使用自下而上的方法，从讨论CNN的基本板块构建开始。然后将深入研究CNN的体系结构，并探索如何在TensorFlow中实现CNN。本文包含以下内容：一维和二维的卷积运算卷积神经网络结构的构建使用Tensorflow构建深度卷积神经网络利用数据扩充技术提高模型泛化性能实现一个基于人脸图像的CNN分类器来预测个人性别from IPython.di
转载
2024-07-19 13:44:34
71阅读
花了一下午研究的文章，解答了我关于GAN网络的很多疑问，内容的理论水平很高，只能尽量理解，但真的是一篇非常好的 Martin 称这个loss为original cost function（参见[1] 2.2.1章节），而实际操作中采用的loss为the –log D cost（参见[1] 2.2.2章节）。 GAN存在的问题：初探 当固定G时，训练D直到收敛，可以发现
神经网络人工神经网络（ Artificial Neural Network， 简写为ANN）也简称为神经网络（NN）。是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的 计算模型。经典的神经网络结构包含三个层次的神经网络。分别输入层，输出层以及隐藏层。 其中每层的圆圈代表一个神经元，隐藏层和输出层的神经元有输入的数据计算后输出，输入层的神经元只是输入。神经网络的特点每个连接都有个
转载
2024-10-11 14:23:43
79阅读
目录 1、AlexNet网络模型2、VGG网络模型3、Inception模型（googleNet）3.1[v1]3.2[v2]3.3[v3]4 ResNet1、AlexNet网络模型2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注。主要特点有：更深的网络结构使用层叠的卷积层，即卷积层+卷积层+池化
转载
2024-08-12 11:55:32
69阅读
人工智能之循环神经网络（RNN） 文章目录人工智能之循环神经网络（RNN）前言一、RNN是什么？二、RNN与全连接神经网络的区别1.全连接神经网络2.循环神经网络（CNN）3.RNN参数学习过程4.总结 前言在我的上一篇博客计算机视觉之卷积神经网络(CNN)，讲述了计算机如何利用卷积神经网络来进行图像识别，在识别图像时，输入的每张图片都是孤立的，识别出这张图片是猫并不会对识别出下一张图片是狗造成影
转载
2024-06-07 20:54:08
106阅读
说到“深度学习”，它的最明显的特色就是“深”，并且通过很深层次的网络，来实现准确率非常高的图像识别、语音识别等能力。因此，我们就会觉得深的网络比浅的网络好，从而网络被设计的越来越深。但是，...
转载
2021-07-12 16:37:08
671阅读
RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。首先我们要明确什么是序列数据，摘取百度百科词条：时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。这是时间序列数据的定义，当然这里也可以不是时间，比如文字序列，但总归序列数据有一个特点——后面的数据跟前面的数据有关系。RNN的结构及变体我们从基础的神经网络中知
:34CNN表示卷积神经网络。这是一种特殊类型的神经网络，是为具有空间结构的数据而设计的。例如，具有自然空间顺序的图像非常适合于CNN。卷积神经网络由许多“filters”组成，它们对数据进行卷积或滑动，并在每个滑动位置产生激活。这些激活产生一个“featur...
转载
2019-01-13 10:38:16
974阅读
序列数据(具有时间依赖性的数据)在业务中非常常见，从信用卡交易到医疗保健记录再到股票市场价格。 但是，隐私法规限制并极大地减慢了对研发至关重要的有用数据的访问。 这就产生了对具有高度代表性但又完全私有的合成顺序数据的需求，这至少可以说是具有挑战性的。生成合成时间序列和顺序数据要比表格数据更具挑战性，在表格数据中，通常将与一个人有关的所有信息存储在一行中。 在顺序数据中，信息可以分布在许多行中，例如
转载
2024-05-10 10:22:12
77阅读
1、相关知识从广义上来说，NN（或是更美的DNN）确实可以认为包含了CNN、RNN这些具体的变种形式。有很多人认为，它们并没有可比性，或是根本没必要放在一起比较。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括convolution layer 或是 LSTM 单元。其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结构发明的初衷，和他们之间本质的区别。2、神经
转载
2024-08-01 16:07:42
97阅读
讲讲最近深度学习里面的后期之秀吧，Transformer（和变形金刚没有半毛钱关系）话说自公元二零一三年，深度学习网络一枝独秀，自机器学习王国脱颖而出，带动了人工智能领域的发展。其中它最主要的两大家，卷积网络（CNN）和循环网络（RNN），因其独特的性质，分别在计算机视觉和自然语言处理领域得到广泛使用。然而这两大家却都还是上世纪就被提出来了，本世纪虽有创新，却也逃脱不了这两大家的干系。前有 RNN
计算机中的边缘算法主要是依靠梯度差来计算，常见的有sobel算子，lapacian算子等，在实现方法上都大同小异，OpenCV中对这类函数都有封装，使用起来很方便：1.Sobel算子的边缘检测我们先找一张灰度图像，这里用一张照片，取在HSV色域的V通道：sobel算子有两个方向：-1-2-1000121 -101-202-101 分别用来检测水平方向与竖
转载
2024-03-18 09:48:37
168阅读
三大特征提取器 - RNN、CNN和Transformer#
简介
近年来，深度学习在各个NLP任务中都取得了SOTA结果。这一节，我们先了解一下现阶段在自然语言处理领域最常用的特征抽取结构。本文部分参考张俊林老师的文章《放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较》(写的非常好，学NLP必看博文)，这里一方面对博文进行一定程度上的总结，并加上一
转载
2024-07-31 17:53:24
47阅读
作者：electech6 1.卷积操作假设有一个55的图像，使用一个33的卷积核（filter）进行卷积，得到一个3*3的矩阵（其实是Feature Map，后面会讲），如下所示： 下面的动图清楚地展示了如何进行卷积操作（其实就是简单的点乘运算）：一个图像矩阵经过一个卷积核的卷积操作后，得到了另一个矩阵，这个矩阵叫做特征映射（feature map）。每一个卷积核都可以提取特定的特征，
转载
2023-12-15 11:57:42
493阅读
Improving Face Recognition by Clustering Unlabeled Faces in the Wild
作者团队：马萨诸塞大学&NEC实验室等
论文： https:// arxiv.org/abs/2007.0699
5
据作者团队称：这是第一个解决聚类期间标记和未标记人脸数据之间identities
卷积神经网络由一个或多个卷积层、池化层以及全连接层等组成。与其他深度学习结构相比，卷积神经网络在图像等方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他浅层或深度神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。 文章目录卷积神经网络1 卷积层（Convolutions）2 池化层(Pooling、Subsampling)3 全连接层（Full
转载
2023-11-24 02:48:57
99阅读
