前言：卷积神经网络（CNN）已经可以构建出一个强大的分类模型，但它仍然缺乏能力来应对输入数据的空间变换，比如：平移、缩放、旋转，尽管convolutional层和pooling层在一定程度上解决了平移和缩放的问题，但很多时候面对旋转、大尺度的缩放等情况时仍然无能为力。这篇文章提出了一种叫做空间变换网络（Spatial Transform Networks， STN）的模型，它能自动学习变换参数，对
1 简介1.2 问题提出CNN在图像分类中取得了显著的成效，主要是得益于 CNN 的深层结构具有 空间不变性（spatially invariance）（平移不变性，旋转不变性），所以图像上的目标物体就算是做了平移或者旋转，CNN仍然能够准确的识别出来，这对于CNN的泛化能力是有益的。空间不变性主要是由于 Pooling 层 和 步长不为1的卷积层 的存在带来的。实际上主要是池化层的作用，因为大部
转载
2024-09-12 11:12:30
60阅读
这是CNN眼里的一只猫：这是ViT (Vision Transformer)眼里的一只猫:从去年起，Transformer忙着跨界CV，如ViT在图像分类上准确率已超过CNN，大有取代之势。这背后的原因是什么？最近普林斯顿的一项研究认为，Transformer的运作方式更接近人类，连犯错的方式都和人类一样。研究团队在图像分类的准确率之外，增加了对错误类型的分析。结果发现，与CNN相比，ViT更擅长
转载
2024-06-07 11:30:45
62阅读
首先确保已经用VS2013打开Caffe.sln并编译好了libcaffe、caffe和convert_imageset这三个项目。一、数据准备1.先准备一个文件夹存放所有训练用的图片文件，再准备一个trainlist.txt文件，包含图片名及其对应的标签，格式如下：imagename1.jpg 0
imagename2.jpg 1
imagename3.jpg 1
...这里提供一个简陋的Pyt
转载
2024-04-07 11:09:55
50阅读
本来想把CNN的一个kaggle比赛和这个放在一起，结果软件一直出问题。就先把这部分贴上。后面再奉上CNN实战的代码。深度学习概述传统的机器学习和深度学习一个很重要的差别就是特征的自动提取。深度学习现在更适合处理一些原始信息的特征，比如图片识别，音频，视频等。比如图片可以通过像素作为原始的特征，通过卷积神经网络不断的提取特征，最后再在这些特征上进行学习。对于音频就是通过声音的声波作为特征。&nbs
转载
2023-12-16 07:21:08
106阅读
简介：本章基于卷积神经网络实现图像风格迁移（Style Transfer）。和之前基于卷积神经网络的图像分类有所不同，这次是神经网络与艺术的碰撞。1.风格迁移入门 图像风格迁移算法的实现逻辑并不复杂： 首先选取一幅图像作为基准图像，也可以将其叫作内容图像，然后选取另一幅或多幅图像作为我们希望获取相应风格的图像，也可以叫作风格图像。图像风格迁移的算法就是在保证内容图像的内容完整性的前提下，将风格图像
转载
2024-03-26 09:14:15
162阅读
前言前段时间，在深度学习领域不是有个比较火的方向叫风格迁移的嘛，对于我这种不喜欢深度学习那种不稳定结果的人来说，还是想看看传统图像处理领域有什么类似的技术，发现了一个颜色迁移的算法，很久前的论文了。国际惯例，参考博客:原论文《color transfer between images》大佬的python实现大佬的matlab实现知乎解析《Color transfer between images》
卷积神经网络学习笔记一、深度学习概述 深度学习是机器学习的一种基于对数据进行表征学习的方法，但深度学习的基础是神经网络，对更为复杂的模型进行分析，从而使模型对数据的理解更加深入。此外深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像
转载
2024-05-16 09:58:30
67阅读
图像风格迁移已经属于比较成熟的领域了，现在连实时的风格迁移都不成问题。之前一直想出一篇这样的文章，但无奈于大部分开源项目配置起来非常麻烦，比如 luanfujun/deep-photo-styletransfer 项目，需要安装 CUDA、pytorch、cudnn等等，配置完一天都过去了。不过最近我发现一个非常好的开源应用项目，那就是OpenCV的DNN图像风格迁移。你只需要安装OpenCV就可
转载
2024-01-09 14:05:19
43阅读
卷积神经网络（CNN）在视觉识别任务上的表现令人称奇。好的CNN网络是带有上百万参数和许多隐含层的“庞然怪物”。事实上，一个不好的经验规则是：网络越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN网络。为什么这些网络表现如此之好？它们是如何设计出来的？为什么它们设计成那样的结构？回答这些问题并不简单，但是这里我们试着去探讨上面的一些问题。网络结构设计是一
转载
2024-08-08 21:59:35
35阅读
深度学习在一些传统方法难以处理的领域有了很大的进展。这种成功是由于改变了传统机器学习的几个出发点，使其在应用于非结构化数据时性能很好。如今深度学习模型可以玩游戏，检测癌症，和人类交谈，自动驾驶。深度学习变得强大的同时也需要很大的代价。进行深度学习需要大量的数据、昂贵的硬件、甚至更昂贵的精英工程人才。在Cloudera Fast Forward实验室，我们对能解决这些问题的创新特别兴奋。我们最新的研
最近对迁移学习比较感兴趣，连续读了几篇和迁移学习相关的文章。本次博客首先来总结几篇迁移学习在NLP领域的应用。NIPS（美国高级研究计划局）2005年给迁移学习一个比价有代表性的解释：transfer learning emphasizes the transfer of knowledge across domains, tasks, and distributions that are sim
迁移学习和微调的区别1.举例说明当我们遇到一个新任务需要解决时，迁移学习和微调可以帮助我们更快地学习和完成这个任务。迁移学习就像是我们已经学会了一些与目标任务相关的知识，然后我们可以将这些知识应用到新任务中。 类比一下，就好像我们之前学会了画猫的技巧，现在我们要画一只狗，我们可以借用之前学到的知识和技巧，来更好地画出这只狗。微调是迁移学习的一种具体方法，它的思路是利用已经训练好的模型来帮助我们完成
转载
2024-04-12 06:14:01
159阅读
1， R-CNN 最直观的理解
转载
2021-08-18 02:04:44
271阅读
树的父指针表示法
原创
2021-08-08 10:18:25
239阅读
1. 前言 迁移学习（Transfer Learning,TL）对于人类来说，就是掌握举一反三的学习能力。比如我们学会骑自行车后，学骑摩托车就很简单了；在学会打羽毛球之后，再学打网球也就没那么难了。对于计算机而言，所谓迁移学习，就是能让现有的模型算法稍加调整即可应用于一个新的领域和功能的一项技术。 不久前，香港科技大学的杨强教授在机器之心GMIS大会中回顾AlphaGo和柯洁的
转载
2023-06-03 22:49:30
314阅读
文章目录1. 迁移学习简介2. 多分类问题实例2.1 构建数据2.2 问题1的MLP模型2.3 问题2的MLP模型2.4 问题2使用迁移学习的MLP模型2.5 特征提取与权重初始化性能对比 代码环境：python-3.7.6tensorflow-2.1.0深度学习神经网络的一个优势是可以在相关问题上重用。迁移学习（Transfer learning）指的是对某种程度上相似的问题进行预测建模的技术
转载
2023-10-19 10:54:25
157阅读
本文以将PyTorch框架实现的网络迁移至MindSpore框架为例，并以计算机视觉常用算子做代码示例。1. 训练过程中损失变化异常具体表现数值过大或过小损失不下降损失波动大损失值恒定损失为负数问题原因以及排查、解决办法网络结构存在问题排查方法：逐行代码对比；将原框架网络的checkpoint文件导入到迁移网络中，例如将pytorch的.pth文件转换成mindspore支持的.ckpt文件，然后
转载
2023-08-02 21:44:36
192阅读
一、联邦学习的定义 横向联邦学习和纵向联邦学习要求所有的参与方具有相同的特征空间或样本空间，从而建立起一个有效的共享机器学习模型。然而，在更多的实际情况下，各个参与方所拥有的数据集可能存在高度的差异，例如：参与方的数据集之间可能只有少量的重叠样本和特征，并且这些数据集的规模与分布情况可能差别很大，此时横向联邦学习与纵向联邦学习就不是很适合了。在这种情况下，通过迁移学习技术，使其可以应用于
# 实现CNN机器学习的步骤
## 1. 数据集准备
在开始实现CNN机器学习之前，我们首先需要准备一个适当的数据集。数据集应该包含两部分：训练集和测试集。训练集用于训练模型，测试集用于评估模型的性能。数据集可通过在线资源获取，或者自己收集和标记数据。
## 2. 数据预处理
数据预处理对于机器学习任务非常重要，因为原始数据可能包含许多噪声和不一致性。下面是一些常见的数据预处理步骤：
- 数据
原创
2023-08-21 03:47:36
89阅读
