文章目录1.膜电极参数优化1.导入数据2.模型构建3.预防过拟合4.回归过程与结果可视化5.模型保存与加载2.权重正则化1.权重可视化2.正则化3.L1正则化4.L2正则化 1.膜电极参数优化1.导入数据1.导入数据import pandas as pd
df = pd.read_csv('MEA.csv',encoding = 'gbk') #导入数据，使用GBK编码
print(d
转载
2023-10-03 19:59:16
142阅读
计算一个神经网络的输出（Computing a Neural Network’s output） 在上一节的视频中，我们介绍只有一个隐藏层的神经网络的结构与符号表示。在这节的视频中让我们了解神经网络的输出究竟是如何计算出来的。 首先，回顾下只有一个隐藏层的简单两层神经网络结构： 图 3.3.1 其中，?表示输入特征，?表示每个神经元的输出，?表示特征的权重，上标表示神经网络的层数（
转载
2023-10-17 17:47:56
74阅读
卷积神经网络是从利用开始，一步一步走到懂过程，再到理解。对卷积神经网络的理解，先从其结构开始。卷积神经网络包括了输入层，卷积层，池化层（下采样） ,全连接层和输出层。卷积层，这是卷积神经网络中较为核心的网络层，主要进行卷积操作，基于图像的控件句不相关性分别抽取图像局部特称，通过这些局部特征进行连接，可以形成整体特征。一个卷积核就相当于一个滤波器，找出我们所感兴趣的信息。池化层（下采样）是对卷积层结
转载
2023-08-08 14:52:26
202阅读
文章目录一、下采样1.1 下采样方式1.2 下采样作用二、上采样2.1 上采样方式2.2 上采样作用references 一、下采样卷积神经网络中，卷积是最基本的操作模块，卷积定义如下： 在WHC的图像操作中，卷积就是输入图像区域和滤波器进行内积求和的过程。具体的操作如下： 卷积就是一种下采样的方式。1.1 下采样方式1、采用stride为2的池化层，如Max-pooling和Average-p
转载
2023-12-15 09:10:33
511阅读
文章目录一、卷积神经网络（Convolutional Neural Network）1.1 卷积（Convolution）1.2 最大值池化（Max Pooling）1.3 平整化 (flatten)二、用Keras实现CNN2.1 CNN学到了什么？2.2 Deep Dream2.3 Deep Style三、CNN的其他应用3.1 Alpha Go3.2 语音（Speech）3.3 文本 （T
转载
2024-01-21 10:47:41
108阅读
卷积神经网络(Convolutional Neural Networks, CNN)是应用最多、研究最广的一种神经网络，卷积神经网络（以下简称CNN）主要用于图片分类，自动标注以及产品推荐系统中。以CNN实现图片分类为例，图像经过多个卷积层、池化层复合而成的组件后，实现图像降维并提取到主要特征，最后再利用全连接神经网络实现分类，一个完整CNN实现识别图像的示意图如下：将一个矩阵用其中元
转载
2024-01-15 15:50:06
148阅读
介绍U-Net于2015年提出，广泛用于图像分割问题。其初是专门为医学图像分割而设计的。该方法取得了良好的效果，并在以后的许多领域得到了应用。相对于很多其他语义分割网络，其规模较小，所以也可以用于一些实时的任务。结构 这个结构概括来说前期不断的卷积池化来进行下采样，然后再不断卷积上采样，形成一个U形。而下采样的结果还会合成至对应的上采样结果，实现抽象与细节的结合。 下采样即不断抽象的过程，当抽象程
转载
2024-01-29 05:25:40
39阅读
本篇博客主要参考了周志华老师团队在2017年IJCAI上发表的论文《Deep Forest: Towards an Alternative to Deep Neural Networks》。这篇文章的主要贡献是把深层次的神经网络的原理运用到了传统的机器学习算法“random forest”中去，并取得了和深度学习神经网络相当的效果。众所周知，现在深度学习在工业界和学术界都非常的火，各种基于卷积神经
转载
2023-12-31 15:17:05
264阅读
论文：Deep Networks with Stochastic Depth一、 内容简述 本文提出了一种名为Stochastic Depth的深层神经网络训练方法，文中的主要训练对象是ResNet，在不同数据集中的实验表明，这种训练方法可以有效地解决深层网络训练困难的问题，对模型精度和训练速度都有很大的提升，为今后的深层神经网络训练提供了很好的思路，作者之后提出的DenseNet也是受到了S
转载
2023-12-18 15:41:49
89阅读
一、随机森林的定义 在集成学习中，我们知道bagging + 决策树就构成了随机森林。经典的机器学习模型是神经网络，神经网络预测精确，但是计算量很大。随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解
转载
2023-08-03 13:45:55
749阅读
关于前言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，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容中的一个知识点-上采样。一、基于unet神经网络上采样中的的三种方式的理解1.上采样的三种方式在网上查阅大量资料后，以下是结合unet，对于上采样的三种方式的理解，上采样的三种方式，可以分为1、插值法（最近零插值算法，双线性插值算法，双三次插值算法），2、反池化，3、转置卷积（可
转载
2023-12-17 11:45:48
126阅读
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。 发展背景 编辑
在人工神经网络的发展历史上，
感知机(Multilayer Perceptron，MLP)网络曾对
人工神经网络的发展发挥了极大的作用，也被认为是一种真正能够使用
转载
2023-09-15 19:39:49
221阅读
关于深度学习在图像识别上应用的学习笔记3三、神经网络的数据表示：张量 在机器学习中，分类问题中的某个类别叫做类，数据点叫样本，某个样本对应的类别叫标签。训练神经网络的基本准备步骤： 1.组成训练集：模型从这些数据中进行学习，然后在测试集上对模型进行测试 2.将训练数据输入神经网络；其次网络学习将图像和标签关联在一起；最后网络对图像产生预测。 3.神经网络的核心组件是层（layer）相当于数据过滤器
转载
2023-12-01 13:07:21
77阅读
这两天在折腾Caffe的时候遇到过各种奇怪的问题，拿几个感觉比较重要的来说一下。之后想到什么再追加。GPU运算无法正常使用环境预载期错误(3 vs. 0)Check failed: status == CUDNN_STATUS_SUCCESS (3 vs. 0) CUDNN_STATUS_BAD_PARAM似乎是因为有其他设备在使用GPU导致的，我的情况是等待一段时间就好了。网络加载期错误(2
转载
2023-11-19 07:25:04
78阅读
一. 卷积神经网络定义与比较1. 全连接神经网络的缺点参数太多，在cifar-10的数据集中，只有32*32*3，就会有这么多权重，如果说更大的图片，比如200*200*3就需要120000多个，这完全是浪费没有利用像素之间位置信息，对于图像识别任务来说，每个像素与周围的像素都是联系比较紧密的。层数限制2. &nbs
转载
2023-10-12 14:39:28
203阅读
1.标准卷积神经网络标准的卷积神经网络由输入层、卷积层（convolutional layer）、下采样层（downsampling layer）、全连接层（fully—connected layer）和输出层构成。卷积层也称为检测层下采样层也称为池化层（pooling layer）2.卷积神经网络的优势：第一个特点和优势就是：局部感知在传统神经网络中每个神经元都要与图片上每个像素相连接，这样的话
转载
2023-10-12 15:16:18
547阅读
降采样深度卷积神经网络中降采样的方法：stride大于1的poolingstride大于1的convstride大于1的reorg（reorganization改组整顿），由Joseph Redmond在YOLOv2中首次提出。conv用stride=2的conv降采样的卷积神经网络效果与使用pooling降采样的卷积神经网络效果相当；卷积神经网络小的时候，使用pooling降采样效果可能更好，卷
转载
2024-01-02 10:30:23
148阅读
大家好，我是翔宇！今天我想和大家聊一聊什么是机器学习中的Bagging思想和随机森林。由于代码实现比较复杂，因此，我没有准备现在进行代码展示，可能后续会有，当然我这里说的代码实现不是指掉包使用，掉包使用很简单，这个分享留在后面一点发，今天我只和大家分享Bagging的思想与随机森林的设计思想。 首先我们先来讲一点预备知识，机器学习有很多进行分类和回归的预测方法（模型），而例如分类的KNN、逻辑回归
转载
2024-04-02 14:35:24
22阅读
1. 集成学习概念、个体学习器概念2. boosting bagging3. 随机森林思想4. 个体学习器结合策略5. 随机森林的推广6. 优缺点7. sklearn参数一、集成学习概念 集成学习（Ensemble Learning）不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。随机森林中的“森林”，顾名思义，很多棵树在一起，算法决策结果也不
转载
2024-01-31 03:54:33
224阅读
这里说明一下，因为这个视频是2016年的，可能现在有些东西已经变化。 我们将用到以下和方差相关的定理： 假设有随机变量x和w，它们都服从均值为0，方差为σ的分布，且独立同分布，那么： • w*x就会服从均值为0，方差为σ*σ的分布 • w*x+w*x就会服从均值为0，方差为2*σ*σ的分布是否我们应该需要大量的数据集对模型进行训练？这种认识是错误的，我们一般很少直接对卷积神经网络进行训练，通常会先
