在阔别了将近三个月之后，笔者又准备更新博客了。对于前两个多月的未及时更新，笔者在此向大家表示歉意，请大家原谅。 本次博客的更新是关于Faster R-CNN的源码。首先说一下笔者为什么要更新Faster R-CNN的源码解析，有以下两个原因：1. 笔者的研究方向和目标检测有一些关系。虽然不是纯做目标检测，但是像Faster R-CNN这样的经典框架
转载
2024-10-15 09:48:00
71阅读
我写博客的工作不像论文，假大空，我们直接上干货，之所以取一个这么大的名字，当然是我们能做到的。。。 不多说，我们对全国水体进行水质参数反演，不用MODIS，太粗，我们直接用哨兵，这样就可以直接做到大型水库或长河流观测了。当然了。算法选择很重要，要选择什么算法呢？我这里主要参考这篇论文---《Hendrik V D W , Marcel W .
转载
2024-04-18 09:18:56
417阅读
《环境物理学》刘树华，化学工业出版社，第八章 遥感环境物理学 本章主要介绍基于遥感技术获得地球表面的环境物理信息的方法以及遥感环境物理的一些概念。1.1 遥感数据的大气校正本节主要介绍徐兴奎的研究成果。徐兴奎将到达大气层顶的能量分成三部分：地表反射能、大气的分子散射、大气中气溶胶的散射。对于单通道之间的关系可表示为： Rayleigh散射表示为： 气溶胶散射能为：1.2 地表环境物理参数的反演技术
转载
2024-10-24 06:43:08
111阅读
植被是陆地生态系统中最重要的组分之一，也是对气候变化最敏感的组分，其在全球变化过程中起着重要作用，能够指示自然环境中的大气、水、土壤等成分的变化，其年际和季节性变化可以作为地球气候变化的重要指标。此外，由于生态工程保护建设和植被自然生长等因素，中国陆地生态系统发挥了重要的碳汇作用。因此，定量评估植被时空动态变化是制定生态系统可持续发展目标和衡量生态系统固碳潜力的重要前提，卫星遥感数据衍生的生态参量
: // .com / adong7639 / p / 9145.
html
写的很好
'''
本文讲解的是在CNN中的batch normalization
'''
import torch
import torch.nn as nn
import copy
class Net(nn.Module):
def __init__(self, dim
转载
2024-03-27 10:01:48
156阅读
上一期，我们一起学习了深度学习中卷积神经网络的通俗原理，深度学习三人行(第8期)----卷积神经网络通俗原理接下来我们一起学习下关于CNN的代码实现，内存计算和池化层等相关知识，我们多多交流，共同进步。本期主要内容如下：CNN实现(TensorFlow)CNN之内存计算CNN之池化层小结公众号内回复关键字，即可下载代码，关键字见文末！一. CNN实现(TensorFlow)在TensorFlow中
转载
2024-08-08 11:08:38
144阅读
介绍CNN指的是卷积神经网络，这个介绍网上资料多的很，我就不介绍了，我这里主要是针对沐神教程的CNN代码做一个笔记。理解有不对的地方欢迎指出。卷积神经网络里面最重要也是最基本的概念就是卷积层、池化层、全连接层、卷积核、参数共享等。图： 这个图是对下面代码的一个描述，对于一张图片，首先处理成28*28(这里一张图片只有一个通道)。通过第一层卷积层，得到20个通道的输出（每个输出为24*24），所以第
转载
2024-04-08 10:30:34
79阅读
利用keras 实现cnn模型，关键在于： （1）原始数据的处理。（可输入的格式） （2）卷积层、池化层、全连接层的搭建 （3）各层对输入数据的size变化。1.库的导入 np_utils库中的功能，应该就是对label进行one-hot处理一类的操作。from models import Sequential 是keras搭建模型的一种框架，Sequential是一系列网络层按顺序构成的栈。 将
转载
2024-04-20 20:34:36
211阅读
基础的理论知识参考：https://www.zybuluo.com/hanbingtao/note/485480下面的代码也是基于上面文章的实现： 整个算法分为三个步骤：前向计算每个神经元的输出值aj
a
j
（j
转载
2024-04-19 22:23:03
91阅读
文章目录0. 前言0.1 读本文前的必备知识1. LSTM架构2. LSTM正向传播代码实现2.1 隐藏层正向传播2.2 输出层正向传播3. LSTM反向传播代码实现3.1 输出层反向传播3.2 隐藏层反向传播4. 实例应用说明5. 运行结果6. 后记7. 完整代码 0. 前言按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解，但是内容可能存在不准确的地方。如果发现文中错
转载
2024-08-09 00:08:18
240阅读
目录(?)[+]
MATLAB实现CNN一般会用到deepLearnToolbox-master。但是根据Git上面的说明，现在已经停止更新了，而且有很多功能也不太能够支持，具体的请大家自习看一看Git中的README。 deepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码Auto
转载
2024-08-12 11:57:49
39阅读
卷积神经网络（CNN）CNN解决了什么问题人类的视觉原理卷积神经网络-CNN 的基本原理卷积--局部特征提取池化层（下采样）——数据降维，避免过拟合全连接层——输出结果使用pytorch 实现卷积神经网络--(MNIST实战) 该博客仅用于记录学习过程，避免忘记方便以后复习卷积神经网络最擅长的就是进行图像处理问题，它受到人类视觉神经系统的启发。 CNN具有两大特点： 1、能够有效的将大数据量的图
转载
2023-12-02 23:51:19
104阅读
一，基本思路生成数据(验证码样本)1.验证码类型我们这里生成的验证码是当前最常见的验证码即由26位大小写英文字母和0到9十个数字组成的字符型验证码。2.生成方式我们可以选择两种方式来生成我们的训练数据。一种是一次性生成几万张图(保存到本地)，另一种是定义一个数据生成器(数据未被保存)。两种方式各有千秋，第一种方式的好处是训练的时候显卡利用率高，如果你需要经常调参，可以一次生成，多次使用；第二种方式
转载
2024-05-17 09:57:08
51阅读
前言在我们训练神经网络时，通常使用的优化算法就是梯度下降，在这篇文章中，我以卷积神经网络为例，来具体展示一下在Pytorch中如何使用梯度下降算法来进行卷积神经网络的参数优化。1.网络搭建我们先来构建一个简单的卷积网络。import torch
import torch.nn as nn
import torch.optim as optim
class Conv_net(nn.Module):
转载
2023-11-03 09:46:52
150阅读
摘要CNN卷积神经网络是图像识别和分类等领域常用的模型方法。由于CNN模型训练效果与实际测试之间存在较大的差距，为提高自由手写数字的识别率，尝试使用TensorFlow搭构CNN-LSTM网络模型，在完成MNIST数据集训练的基础上，基于python的flask框架实现对自由手写数字的识别，并展示线性回归模型、CNN模型及CNN-LSTM模型在手写数字上的识别结果。CNN-LSTM模型代码实现CN
转载
2024-02-24 22:57:12
353阅读
$\text{Definition}$ 给定一个集合$U$，一个交换群$$，一个环$$。 其中$R$是由$G\mapsto G$的映射构成的集合，$\forall f,g\in R,(f+g)(x)=f(x)+g(x),(f\times g)(x)=g(f(x))$。 记$G$的单位元为$0$，$F
转载
2020-01-01 11:34:00
96阅读
2评论
想自己动手写一个CNN很久了，论文和代码之间的差距有一个银河系那么大。在实现两层的CNN之前，首先实现了UFLDL中与CNN有关的作业。然后参考它的代码搭建了一个一层的CNN。最后实现了一个两层的CNN，码代码花了一天，调试花了5天，我也是醉了。这里记录一下通过代码对CNN加深的理解。首先，dataset是MNIST。这里层的概念是指convolution+pooling，有些地方会把convol
转载
2024-05-07 15:24:59
60阅读
神经网络与深度学习实验报告一、实验名称Pytorch实现CNN二、实验要求用 python 的 Pytorch 模块实现卷积神经网络。网络结构为一个输入层、两个卷积层、一个全连接层、一个输出层。三、实验目的通过学习的卷积神经网络（CNN）基本原理（网络结构，损失函数，参数学习），使用numpy和Pytorch模块实现卷积神经网络，进一步加深对卷积神经网络的理解。掌握卷积神经网络原理和方法。四、实验
转载
2023-10-07 13:33:30
232阅读
MNIST虽然很简单，但是值得我们学习的东西还是有很多的。项目虽然简单，但是个人建议还是将各个模块分开创建，特别是对于新人而言，模块化的创建会让读者更加清晰、易懂。CNN模块：卷积神经网络的组成；train模块：利用CNN模型 对 MNIST数据集 进行训练并保存模型test模块：加载训练好的模型对测试集数据进行测试cnn.pt ： train 的CNN模型注意！ 有GPU的小伙伴尽量使用GPU训
CNN与FCN区别1 CNN从图像级别的分类 FCN像素级别的分类2 CNN网络在卷积之后会接上若干个全连接层，映射成固定长度的特征向量 FCN将传统CNN中的全连接层转化成一个个的卷积层3 FCN可以接受任意尺寸的输入图像CNN： 通常cnn网络在卷积之后会接上若干个全连接层，将卷积层产生的特征图（featur
转载
2024-04-26 16:10:01
72阅读
