一、概述
卷积神经网络（Convolutional Neural Network, CNN）是一种深层神经网络模型。它的特殊性体现在两个方面：
a.相邻层
的神经元之间的连接是非全连接的
b.同一层中某些神经元之间的连接的权重是共享的
c.空间或时间上的采样
前馈神经网络，各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。整个网络中无
转载
2024-04-08 10:38:57
125阅读
深度学习开发工具 要开始使用深度学习，必须选择一种合适的工具。 适用于深度学习的Python生态系统工具（例如Keras，Theano和TensorFlow）易于安装和开始开发。 以下是有关如何在Windows和Linux操作系统上安装它们的指南。 Theano，TensorFlow和Keras到底是什么？ 官方网站上有关这些工具的几句话。 Theano是一个Python库，可让您有效地定义
转载
2024-04-24 10:31:53
34阅读
参考文档：CS231n一、概述 卷积神经网络（Convolutional Neural Network，CNN）与原始的fully connect neural network相似，由具有可训练的权重和偏差的神经元组成，每个神经元接受输入，执行点积，有选择性的用一个非线性函数处理它。整个网络仍表现为一个单一可微函数，并在最后一层具有损失函数。不同之处在于，CNN明确假定输
转载
2024-05-23 23:18:24
67阅读
CNN简介这里对CNN只做非常简单的介绍，具体的细节，后面的博文会讲到。CNN代表的是Convolutional Neuron Network，这里的Convolution指的卷积，主要是用来对图片的进行进行降维，除了卷积，还有一个pooling的操作，作用也是用来将维的，不过两者的原理不同。其实一开始训练的图片的时候，一般都直接使用我们的一片教程那样的方法，将层数增多，最后的准确率也可以达到98
转载
2024-03-22 15:57:23
128阅读
目前以深度学习技术为代表的人工智能算法发展迅速，相对于传统机器学习算法（SVM等），深度学习不需要进行特征工程即人工方式选择信号特征值并构建特征向量，深度学习模型可以模拟人脑的工作机制进行底层特征的识别以及高级特征的抽象。深度学习算法层出不穷(CNN、RNN、LTSM等等)，模型效率以及识别率普遍已优于传统机器学习算法。深度学习框架（工具）近年
转载
2024-06-19 19:51:56
222阅读
Tensorflow基础教程：卷积神经网络（CNN）介绍
卷积神经网络 (Convolutional Neural Network, CNN)是一种结构类似于人类或动物的 视觉系统 的人工神经网络，包含一个或多个卷积层(Convolutional Layer)、池化层(Pooling Layer)和全连接层(Fully-connected Layer
转载
2023-08-27 18:28:16
111阅读
# #作者：韦访 1、概述上一讲，我们学习了循环神经网络RNN，并且用RNN实现了二进制减法，实际上TensorFlow集成了RNN，我们只要调用其对应的API就可以很方便的使用RNN来解决问题了。这一讲，我们来看看怎么使用TensorFlow的RNN，作为对比，先做一个和上一讲一样功能的二进制减法，再对MNIST数据集的识别。环境配置：操作系统：Win10 64位显卡：GTX 1080
转载
2024-08-26 11:18:41
33阅读
Introduce之前，对于卷积神经网络(CNN)只停留在理论层面，基本专业术语（卷积层、池化层等），最多计算卷积后的值之类的。from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/",
转载
2024-02-19 11:15:43
108阅读
Numpy基础数组基础在学习tensorflow之前我们先要了解一些numpy的使用方法，因为在tensorflow使用中初期的数据一般都是由numpy来处理的。
首先我们要知道numpy主要是用来进行高维数组运算的，其实我们使用python的内置list列表数据类型，也可以自己完成这些操作，但缺点也特别的明显，一个就是编码比较复杂，完成一个简单的功能需要编写较多的代码，而用numpy可能就是一句
转载
2023-11-17 10:45:48
225阅读
最近在做细胞分割，尝试了很多CNN的分割模型，对比下来发现unet性能真的是很好。在很小的训练集上（30张）也能取得非常不错的分割效果。以前一直以为CNN结构更多的是靠瞎蒙，现在发现其实不是。CNN虽然内部的整个流程很难去揣摩，但是还是有很多比较整体的经验可以借鉴，在模型构建上还是有规可循。 按照我这些日子的测试，结合一点自己的理解和网上各位大佬的帖子，说一下我自己的看法。 U-Net和FCN非常
转载
2024-02-23 23:24:01
131阅读
一、TensorFlowTensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Goog
转载
2023-08-08 13:40:45
111阅读
TensorFlow新版本发布还不到一个月的时间，这个互联网上最受欢迎的机器学习项目却取得了众多进展，刚刚TensorFlow宣布，他们将与TensorRT公司完全整合。TensorRT是一个优化深度学习模型的库，用于在生产环境中的GPU上创建运行时部署。TensorFlow可以利用TensorRTs FP16和INT8 optimization的众多优势，特别是TensorRT在自动选择最有能力
转载
2024-04-25 14:49:08
95阅读
一、YOLO-v4主要做了什么？通俗的讲，就是说这个YOLO-v4算法是在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，虽没有理论上的创新，但是会受到许许多多的工程师的欢迎，各种优化算法的尝试。文章如同于目标检测的trick综述，效果达到了实现FPS与Precision平衡
转载
2024-05-29 11:24:58
64阅读
CPU平台完成两图风格融合完美作画该教程根据研究者july教程补充编写作者: th是个小屁孩实验平台为Ubuntu 14.04 , 版本关系不大，16.04也可以进行实验该实验采用谷歌开源框架tensorflow前言前几日在微博看到july的梵高作画实验，发现挺有意思，便打算进行实验一番，由于学生党，没有什么特别好的机器，只能使用垃圾显卡和还可以的处理器进行实验，没有GPU，加大了时间成本，不过没
CNN卷积神经网络之ResNet前言神经网络的“退化”问题残差块(Residual Block)网络结构Residual Block的分析与改进*理解与反思 未经本人同意，禁止任何形式的转载！前言《Deep Residual Learning for Image Recognition》 论文地址：https://arxiv.org/pdf/1512.03385.pdf.2014年VGG达到19
转载
2024-08-08 10:43:05
56阅读
0 引言PointNet是处理点云数据的深度学习模型，其地位堪比2D图像处理中的CNN网络， 后续的诸多点云数据处理的深度网络都有PointNet的影子。1 点云数据介绍既然PointNet处理的是点云数据， 那么首先需要先知道点云数据是长什么样子。 其实所谓点云数据就是一系列点组成的集合， 每一个点代表一个三维坐标(x,y,z), (注：有些点云数据可能是6个值， 除了三个坐标外， 还有nx,n
在深度学习的世界中，PyTorch 和卷积神经网络（CNN）是当今最受欢迎的技术之一。无论是在计算机视觉、自然语言处理还是其他领域，搭建和训练模型的效率与灵活性使得这两个工具的结合变得不可或缺。在本文中，我们将探讨 PyTorch 和 CNN 的关系，从问题背景到解决方案中的细节，让我们深度了解这一结合的潜力和应用。
### 问题背景
在我们进行图像处理任务时，发现使用 PyTorch 构建的
0. 一壶清酒 给最近的工作做一个小小的总结。不会放出实测代码，以后有机会会补上部分内容。这篇博客算是调好一个简单测试样例，在CSDN上搜索“基于RNN的短评”也会有一些相关的技术贴。不过可能是用keras这些完成的，我用的基础的tf手写。测试了两个不同的网络，TextCNN和双向GRU。只要意思到位了就可以了。1. 一身尘灰 首先，简单介绍一下
人工神经网络（Artificial Neural Network，简称ANN）的目的是利用计算机模拟我们人类大脑处理问题的过程，这里来分析一下其逻辑，不作专业解释了。 ANN是一个统计模型，由观测数据集（S）和概率（P）组成。 对于一张图片，我们将其所有的像素作为我们的数据集，利
论文复现：结合 CNN 和 LSTM 的滚动轴承剩余使用寿命预测方法一、简介针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出一种结合卷积神经网络（convolution neural networks，简称CNN）和长短时记忆（long short term memory，简称 LSTM）神经网络的滚动
转载
2024-07-31 20:57:14
50阅读
