1. AlexNet1.1 网络结构 网络由5个卷积层和3个全连接层组成。1.2 改进1.2.1 输入样本 用最简单、通用的图像数据变形的方式，例如翻转、裁剪、改变颜色，对输入的图像进行一些变化，以增强网络泛化能力。 1.2.2 激活函数 在卷积层和全连接层之后，用ReLU代替Sigmoid函数作为激活函数。 1.2.3 采用dropout 在每个全连接层后面使
转载
2023-11-26 17:01:28
127阅读
目录深度卷积神经网络经典网络残差网络为什么残差有效？\(1\times1卷积\)Inception网络简介Inception网络深度卷积神经网络经典网络LeNet-5模型是Yann LeCun教授于1998年提出来的，它是第一个成功应用于数字识别问题的卷积神经网络。在MNIST数据中，它的准确率达到大约99.2%。典型的LeNet-5结构包含CONV layer，POOL layer和FC lay
转载
2023-11-21 15:55:02
132阅读
这个系列记录下自己的深度学习练习，本文算是对上一篇文章的补充，算是稍微进阶一些的图像处理方法。之前的模型都是自己从头开始构建，如果网络上有别人已经写好的模型，我们就可以对其微调，然后使用自己的数据集进行分析，可以节省构建模型的步骤。而且这些外部模型一般样本量很大，算是真正经过大数据考验的模型，如果和你在分析的问题类似，且你自己手头上的数据较少，用这种预处理的模型就非常有效。使用预训练
转载
2024-01-20 21:57:50
176阅读
1.PSMNet2.双目测距3. PlaneRCNN 单幅图像的三维平面检测与重建4.ARCore SDK for Android5.菜鸟全球科技挑战赛「智能体积测量」６.基于vSLAM的方法７.基于SFM的MVSNet 1.PSMNet最新的研究表明，利用一对立体图像来估算深度信息可以格式化为一个有监督的学习任务，进而通过卷积神经网络来解决。然而，当前基于图块匹配的Siame
转载
2024-01-31 07:27:46
62阅读
近期谷歌发布了新的深度学习架构Efficient Net，按照谷哥论文中的比较方法，这种架构对于传统的卷积神经网络(ConvNets)，在各方面都堪称碾压。 EfficientNet-B7能够达到84.4%的精度，但它比GPipe小8.4倍，快6.1倍，Effective Net-B1比ResNe
转载
2024-04-10 12:45:59
69阅读
看b站up主霹雳吧啦Wz视频，所做笔记视频链接 ：1.1 卷积神经网络基础
卷积神经网络历史
CNN发展 1986年：Rumelhart和Hinton等人提出了反向传播（Back Propagation, BP）1998年 ：LeCun等利用BP算法训练LeNet5网络，标志着CNN的真正面试（硬件跟不上）2006年：Hinton在他们的Science Paper中首次提出了Deep Lea
转载
2024-01-29 01:28:45
41阅读
芯东西(ID：aichip001)编 | 温淑芯东西5月19日消息，近日，位于瑞士苏黎世的IBM欧洲研发中心研发出一种基于相变存储器(PCM)的非·冯诺依曼架构芯片技术，能像人脑一样在存储中执行计算任务，以超低功耗实现复杂且准确的深度神经网络推理。IBM研究人员用ResNet分类网络进行实验，在将训练后的权重映射到PCM突触后，在CIFAR-10数据集上和准确率达到93.7％，在Imag
转载
2023-11-07 15:01:07
123阅读
什么是模型训练呢？简单来说就是我们根据我们的任务内容，构建网络模型。模型的输出与我们处理后的目标label值构成loss值。我们的目的是让我们的模型输出与lable的loss数值越小越好。这样能够让模型在测试的时候仅仅通过输入数据能够得到相对比较准确的label值。那么这件事情有哪些技术关键点了。我做了如下总结明确我们要训练的label值。在构建dataset的时候，能够对label值进行处理明确
转载
2023-11-10 18:10:45
58阅读
卷积神经网络之Softmax loss1.Softmax首先理清从全连接层到损失层之间的计算：【分析】这张图的等号左边部分就是全连接层做的事，W是全连接层的参数，我们也称为权值，X是全连接层的输入，也就是特征。从图上可以看出特征X是N*1的向量，这是怎么得到的呢？这个特征就是由全连接层前面多个卷积层和池化层处理后得到的，假设全连接层前面连接的是一个卷积层，这个卷积层的输出是100个特征（也就是我们
转载
2023-11-10 11:24:50
175阅读
神经网络的结构就不说了，网上一大堆……这次手写数字识别采用的是 sigmoid 激活函数和 MSE 损失函数。虽然网上说这种方式比不上 softmax 激活函数和交叉熵损失函数，后者更适合用于分类，但是实测前者可以达到 97.4% 的准确率，后者本机只能达到 92% 的准确率（固定学习率不加任何优化）。这里就记录一下计算梯度的方式。对于最后一层，记 表示点 激活之前的值，，记期望得到的值为 ，
转载
2023-08-25 16:02:27
98阅读
导读由Michael Nielsen所著，他是实验媒体研究工作室的联合创始人，曾是 YC Research 的 Research Fellow。。 本书深入了讲解神经网络和深度学习技术，侧重于阐释深度学习的核心概念。作者以技术原理为导向，辅以贯穿全书的 MNIST 手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利用这些知识
当我们实现神经网络时，反向传播的过程中更容易出错。 因此，如果我们能够实现一些使我们能够轻松调试神经网络的工具，那将是多么酷。 在这里，我们将看到“梯度检查”的方法。 简而言之，该方法使用数值方法近似梯度。 如果实际的梯度接近计算得出的梯度，则可以正确实施反向传播。 还有很多其他方法，让我们一起看看。 有时，可以看到网络在几个epoch内陷入僵局，然后继续快速收敛。 我们还将看到如何解
转载
2023-10-28 16:08:11
118阅读
## 神经网络分类准确率
神经网络是一种模拟人脑神经元之间相互连接的数学模型，具有强大的模式识别和分类能力。在机器学习领域，神经网络常被用于图像分类、语音识别等任务。而分类准确率是衡量神经网络性能的重要指标之一。
### 神经网络分类准确率的定义
神经网络分类准确率是指在一个分类问题中，神经网络正确分类的样本数占总样本数的比例。通常用百分比表示，准确率越高，神经网络的性能越好。
假设有一个
原创
2023-09-16 12:18:46
360阅读
第三周 - 浅层神经网络第 21 题以下哪项是正确的？（选出所有正确项）A.\(a^{[2](12)}\)是第12层，第2个训练数据的激活向量B.\(X\)是一个矩阵，其中每个列是一个训练数据C.\(a^{[2]}_4\)是第2层，第4个训练数据的激活输出D.\(a^{[2]}_4\)是第2层，第4个神经元的激活输出E.\(a^{[2]}\)表示第2层的激活向量F.\(a^{[2](12)}\)是
转载
2024-01-15 13:57:38
49阅读
一、CNN算法导入CNN∈深度学习在前面推文我们曾介绍过两种算法在手写数字识别方面的应用：K近邻算法(KNN)和支持向量机(SVM)；本期，我们介绍一种更为强大的算法来识别手写数字——卷积神经网(CNN)。卷积神经网络属于深度学习的范畴，是一种前馈型人工神经网络，已成功地应用于图像识别。说到这里，大家可能会疑惑，对于同一个分类任务，我们既然可以用机器学习的算法来做，为什么要用神经网络呢？大家回顾一
转载
2023-10-07 19:56:46
97阅读
# 卷积神经网络在人脸识别中的准确率
## 引言
人脸识别是一种广泛应用于安全领域的技术，它可以用来识别和验证人脸的身份。在过去的几十年里，随着计算机技术的快速发展，人脸识别技术取得了巨大的突破。其中，卷积神经网络（CNN）在人脸识别中发挥着重要的作用，并取得了令人瞩目的准确率。
## 什么是卷积神经网络？
卷积神经网络是一种深度学习模型，它模拟人脑的神经网络结构。通过多层卷积和池化操作，
原创
2023-08-25 13:58:11
223阅读
近年来，深度学习在计算机视觉、自然语言处理等领域大放异彩。这些领域所面对的数据都是结构化的，如图像、音频、文本等，它们内部都有明确的排列规则。结构化的数据由于具有这些确定的规则而方便处理，但是在现实生活中，非结构化的关系数据才是主流。我们无时无刻不在面临着关系数据：构成物质的分子是一种由各种原子组成的关系网络；人类社会是一种以人为节点组成的社交网络；整个宇宙更是一种异质、非均匀的大型网络。有实体的
转载
2023-08-16 17:13:07
808阅读
学了蛮久的目标检测了，但是有好多细节总是忘或者模棱两可，感觉有必要写博客记录一下学习笔记和一些心得，既可以加深印象又可以方便他人。博客内容集成自各大学习资源，所以图片也就不加水印了，需要自取。本专栏会详细记录本人在研究目标检测过程中的所学所感，主要包括：1.目标检测算法解读，如R-CNN系列、YOLO系列；2.论文阅读笔记；3.其它目标检测相关的概念和技巧，如attention机制的应用。由于水平
转载
2024-01-12 14:53:28
42阅读
## 如何实现“bp神经网络准确率图片”
### 一、整体流程
首先，我们需要明确实现“bp神经网络准确率图片”的整体流程。下面是具体步骤的表格展示：
| 步骤 | 描述 |
|---------|-----------------|
| 步骤一 | 准备数据集 |
| 步骤二 | 构建神经网络模型 |
| 步骤三 | 训练神经网络
原创
2024-03-25 04:42:28
38阅读
提高输出结果的准确度可以从以下几个方面入手：1、调整超参数：可以尝试调整模型的超参数，比如学习率、迭代次数、隐层维度、卷积核大小等，找到最优的超参数组合来提高准确度。2、增加训练数据：增加训练数据可以让模型更好地学习到数据的特征，从而提高准确度。可以通过数据增强技术来扩充数据集，比如旋转、平移、缩放、翻转等操作。3、添加正则化：在模型训练过程中添加正则化，可以帮助防止过拟合，提高模型泛化能力。可以
转载
2023-11-07 13:27:00
921阅读
