一、总述这是2018年阿里Guorui Zhou等人发表在KDD上的一篇论文。论文提出在CTR任务中，丰富的用户历史行为数据包含了用户多种兴趣，对于不同的候选广告，起作用的用户历史行为数据表示应该不同。所以该论文提出了深度兴趣网络（Deep Interest Network， DIN）来根据指定广告，自适应的建模用户行为数据，进而提升CTR准确率。此外，针对工业界亿万级别的参数量，提出了两项训练深
文章目录前言1 卷积神经网络简介2 卷积层2.1 卷积核2.2 步幅2.3 填充2.4 激活函数3 池化层4 全连接层和输出层总结 前言众所周知，卷积神经网络(Convolutional Neural Network， CNN)通常是被用在图像识别领域的，其实还可以应用与语音识别，文本分类等多个领域。写这篇文章主要是为了介绍TextCnn文本分类模型，当然也会详细介绍CNN的具体内容，并辅以相关
转载
2024-03-11 08:40:41
59阅读
本文主要介绍 CNN 模型复杂度的分析，通常来说模型复杂度一般我们关注：1）时间复杂度：模型训练和推理速度；2）占用 GPU 大小。 模型训练和推理速度模型的训练和推理速度由“运算量”决定，即 FLOPs，“运算量”代表模型的时间复杂度。FLOPs 越大，模型训练和推理越慢，对于 CNN，每个卷积层运算量如下： $$\mathtt{FLOPs=[(C_i
转载
2023-12-18 15:20:21
102阅读
一、介绍 2015年谷歌团队提出了Inception V2，首次提出了批量(Batch Normalization)归一化方法，可以提高网络的收敛速度。应用范围广泛。主要的创新点包括：Batch Normalization：在神经网络的每层计算中，参数变化导致数据分布不一致，会产生数据的协方差偏移问题，
转载
2024-04-12 11:58:29
78阅读
1.背景 2. AlexNet模型结构 3. 特点（创新及新知识点）一、背景 第一个典型的CNN是LeNet5网络，而第一个大放异彩的CNN却是AlexNet。2012年在全球知名的图像识别竞赛 ILSVRC 中，AlexNet 横空出世，直接将错误率降低了近 10 个百分点，这是之前所有机器学习模型无法做到的。 在计算机视觉领域目标检测和识别 通常用机器学习的方法来解决。为了提高识别的效果，
转载
2024-08-08 11:07:08
86阅读
上篇提到的卷积神经网络对手写数字的识别，识别率为99.15%,作为对比，我们对比一下线性模型LN、单神经网络SN、深度神经网络DNN对相同的测试数据进行模拟，才能看到卷积神经网络的强大。 测试结果如下：模型名称正确率卷积神经网络99.15%线性模型31.32%单神经元模型92.49%深度神经网络96.97%结论和分析：卷积神经网络在图像处理领域无人能敌。模型名称分析原因线性模型只能划分线性问题，非
转载
2024-08-08 22:14:48
94阅读
1评论
此篇博客主要是讲一些目前较好的网络发展，提出问题，解决了什么问题,有什么优缺点。1、Alexnet网络，本网络是2012年的分类冠军，掀起来深度学习的热潮，Alexnet参数量巨大，由于受限于硬件计算，作者采用了group 卷积，将特征图分别放入不同gpu进行运算，最后融合，但是此网络存在一个问题，不同特征图分别计算然后融合，如此卷积核只与某一部分的特征图进行卷积，这样卷积核获得的特征
转载
2024-04-29 12:52:22
85阅读
在之前的文章中讲的AlexNet、VGG、GoogLeNet以及ResNet网络，它们都是传统卷积神经网络（都是使用的传统卷积层），缺点在于内存需求大、运算量大导致无法在移动设备以及嵌入式设备上运行。而本文要讲的MobileNet网络就是专门为移动端，嵌入式端而设计。MobileNet v1MobileNet网络是由google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络
转载
2024-03-21 12:37:33
164阅读
CNN模型的尺寸、计算量和参数数量对比自从AlexNet一举夺得ILSVRC 2012 ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-crafted）特征和分类器，不仅提供了一种端到端的处理方法，还大幅度地刷新了各个图像竞赛任务的精度，更甚者超越了人眼的精度（LFW人脸识别任务）。CNN模型在不断逼近计算机
转载
2024-02-19 11:29:26
116阅读
怎样才算正确检测到一个目标？什么是IOU：mAP计算方法： 假设针对某一类别的AP情况 TP：预测正确的边界框个数。预测边界框与GT-box的IOU>0.5 FP：假阳性 （ FN就是 把检测对象检测为背景的 那些检测框 的数量，也就是一些被检测错误（F）为负样本（N）的样本，它们本来应该被检测为正样本。 ） FN：漏检 ↑只检测出了一个目标： TP=1 FP=0 Precisinotall
转载
2023-12-16 13:27:21
89阅读
非结构化剪枝减去某个权重或者神经元权重剪枝（Weight pruning）非结构化剪枝，任意的权重和神经元都有可能被修剪。矩阵存储时压缩数据卷积层限制权重剪枝率使用索引的方式存储稀疏矩阵 CSR(Compressed Sparse Row) 第一行：所有非0数据 第二行：第一行每个数字所在的列数 第三行：上面数据中 第 [1,4)为一行，[4,6)为第二行，[6,8)为第三行。权重量化（Weigh
转载
2024-06-05 18:48:23
56阅读
简介混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。一句话解释版本：混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 数据分析与挖掘体系位置混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如
转载
2024-05-19 10:55:41
79阅读
1 致谢感谢赵老师的讲述~2 前言今天在学习CNN~ 记得很久以前，小伙伴曾经问过我一个问题，为什么CNN网络要使用卷积运算作为神经元的输入， 那时候我还没怎么开始学深度学习，觉得这是一个很玄妙的问题；关于CNN为什么要使用卷积的思考其实对于CNN网络要使用卷积运算作为神经元的输入，其实没有很复杂很复杂的原因， （其实这里隐含了一个小问题，就是为什么不直接用全连接层链接所有特征呢） 因为从计算过程
转载
2024-07-10 13:09:52
118阅读
本文用来学习的项目来自书籍《实用计算机视觉项目解析》第5章Number Plate Recognition 提供的源代码我自己的百度网盘 链接：http://pan.baidu.com/s/1jIr8w2y 密码：ndov主要步骤包括车牌检测和车牌识别。车牌检测部分从一张含有车牌的图像中检测出可能的车牌区域，通过SVM分类器识别出车牌区域和非车牌区域；对车牌区域进行分割，识别出每一个字符
转载
2024-07-21 07:50:15
52阅读
文章目录0.关于Neural Network 的复杂度1.CNN 模型复杂度2.LSTM 模型复杂度3.References Author: Cao Shengming 0.关于Neural Network 的复杂度NN 模型的复杂度一般可以从两个方面来刻画： 时间复杂度：时间复杂度与硬件执行息息相关，但是一般表示模型时间复杂度的方法，可以是某一层、或者产生某个结果所需要的操作(operatio
转载
2024-03-24 12:36:50
28阅读
传统基于深度学习的图片美学评估的要求输入是fixed-size，待评估的照片经常会经量...
原创
2022-10-12 14:57:48
157阅读
一起开始基于深度学习的图片处理之旅吧！
原创
2021-08-09 17:22:10
322阅读
在卷积神经网络（Convolutional Neural Network，CNN）中，往往包含许多种不同的网络层交替组成，主要有卷积层（Convolutional Layer）、池化层（Pooling Layer）、非线性层（ReLU Layer）、全连接层（Fully Connected Layer）等等，本文主要对几种经典的层进行常识介绍，就当成科普吧。其实就是今天不想写论文笔记了，哈哈哈~部
转载
2023-10-08 07:42:54
273阅读
做了半年的CNN算法移植，有时候需要回避一些东西，所以写的东西不能太多。简单提一下自己的总结，既是笔记，又是与网友们交流讨论。 CNN兴起，深圳这个躁动的城市很多人就想趁着这个机会捞一笔风投。于是各种基于CNN的在GPU上的demo出现后立马就成立公司，招FPGA工程师或者ARM 等嵌入式工程师，希望通过他们进行产品落地。毕竟GPU功耗高，散热
转载
2024-03-28 21:28:28
145阅读
一、静态查找表
1.顺序表查找 顺序查找(Sequential Search)又称为线性查找，是一种最简单的查找方法。 查找过程如下： 从线性表的一端开始顺序扫描线性表，依次将扫描到的结点关键字和给定值进行比较。 若当前扫描到的结点关键字与给定值相等，则查找成功； 若扫描结束后，仍未能找到关键字等于给定值的结点，则查找失败。
2.有序表查找(折半查找)
转载
2024-07-25 19:58:57
37阅读
