一、基础知识1.1卷积神经网络(CNN)CNN新出现了卷积层(Convolution层)和池化层(Pooling层), 这两种不同类型的层通常是交替的, 最后通常由一个或多个全连接层组成卷积网络的核心思想是将：局部感受野、权值共享（或者权值复制）以及时间或空间亚采样(池化)这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性.诺贝尔奖获得者神经生理学家Hubel和Wie-sel早在1960
转载
2024-04-18 11:00:25
162阅读
什么时候用到CNN?CNN的出现是由观察图片的这三点特征得出的： 1）图片中需要识别的图案(pattern)远小于整张图片，因此我们不需要遍历整张图片去找出这个图案； 2）同样的图案可能出现在不同的位置，但它们的性质是一样的，因此可以采用相同的参数； 3）对一张图片的像素点采用下采样的方式不改变整体检测目标 根据这三个特征，我们就得到了CNN的实现框图：CNN的原理CNN是DNN的一种简单实现。
转载
2023-11-26 20:03:07
140阅读
深刻去理解卷积神经网络（CNN）工作原理前言基础介绍以及数据准备使用Keras建立CNN使用Tensorflow建立CNN 前言对于我们半路出家的神经网络学习者，有些会是走捷径先学习如何实现项目，然后再回来学习各种基础。 本文只适合于小白学习，大牛请打转向灯绕行。基础介绍以及数据准备卷积神经网络是通过以卷积计算为主，把前一层网络的数据计算生成这一层网络的一种网络结构。它最先使用在图像识别的领域，
转载
2024-06-03 10:19:19
42阅读
论文下载地址 :https://arxiv.org/pdf/1411.4038.pdf原作代码 :https://github.com/shelhamer/fcn.berkeleyvision.org备注: 此文的FCN特指<<Fully Convolutional Networks for Semantic Segmentation>>论文中提出的结构，而非
转载
2024-05-29 11:31:39
218阅读
一、卷积对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。如图所示，1*1+1*0+1*1+0*0+1*1+1*0+0*1+0*0+1*1=4，所以对原图片进行卷积后的第一个值为4，后面也一样。那个乘以原图片的矩阵叫做卷积核，具体用来
转载
2024-03-04 18:13:06
200阅读
一、Java初体验HelloWorld 1.1 实现步骤 将 Java 代码编写到扩展名为 .java 的文件中。 通过 javac 命令对该 java 文件进行编译。 &nb
转载
2023-12-15 10:39:58
34阅读
SpringBoot 核心原理1. pom.xml2. application.properties(application.yml)3. DemoApplication3.1 SpringApplication.run()3.2 @SpringBootApplication4. SpringBoot 自动装配原理解析 首先我们创建一个空的 springboot 项目，可以看到项目结构如下： 可
转载
2024-03-20 15:00:33
38阅读
怎么根据cnn网络的参数和输入图片大小，计算一个cnn网络的输出呢，下面来说明一下 现在做如下假设n：表示图像尺寸，比如图像尺寸为n*n*3f：表示卷积核尺寸，比如卷积核尺寸为f*f，可以用filter表示卷积核s：表示步进，卷积核一次移动多少个像素p：表示填充数目，表示一边填充p列像素，2p表示左右各填充p列像素，同样，在行上表示一边填充p行像素，2p表示上下各填充p行像素 于是我们就可以得到如
转载
2024-03-27 12:50:35
127阅读
我是 雪天鱼，一名FPGA爱好者，研究方向是FPGA架构探索和数字IC设计。一、简介单从字面上看，卷积神经网络这个词听起来就像是生物学和数学的诡异组合，里面可能还掺了一点计算机科学的意味，但这种神经网络一直在为计算机视觉领域默默贡献着最具影响力的创新。2012年是神经网络蓬勃发展的第一年，Alex Krizhevsky利用它们在当年的ImageNet竞赛中赢得了胜利，把分类错误率从原来的26%降低
转载
2024-06-17 04:54:44
64阅读
一、java的核心机制java两种核心机制:java虚拟机(JVM)与垃圾收集机制(GC)： 1、Java虚拟机：是运行所有Java程序的抽象计算机，是Java语言的运行环境，在其上面运行Java代码编译后的字节码程序，java虚拟机实现了跨平台。 2、Java垃圾回收：自动释放不用对象的内存空间，在java程序运行过程中自动进行，垃圾收集机制可大大缩短编程时间，保护程序的完整性，是Java语言安
转载
2023-07-19 12:36:16
109阅读
Flume是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume最主要是用在分布式系统中，例如读取服务器本地的磁盘数据，并将数据写入到HDFS中。对Flume的学习，最好就是结合官方文档进行学习。文档中有各种使用场景的配置，在开发的过程中，可以通过编写flume的工作配置文件来调用flume实现数据提取。Flume文档地址：http://flume.apache.org/Fl
转载
2024-04-04 19:27:03
32阅读
JAVA语言基础知识一、java运行核心机制1、java是运行在一个java虚拟机上——jvm。jvm是一个虚拟的机，具有指令集并使用不同的储存区域。负责执行指令，管理数据、内存、寄存器。2、对于不同的平台，有不同的虚拟机。3、java虚拟机机制屏蔽了底层运行平台的差别，实现了“一次编译，到处运行”。4、编译执行过程如下：二、基本知识1>java是由一个一个类构成的。下面给一段java程序如
转载
2023-12-27 21:07:41
75阅读
卷积神经网络原理(CNN)卷积神经网络CNN的结构一般包含这几个层：输入层：用于数据的输入卷积层：使用卷积核进行特征提取和特征映射激励层：由于卷积也是一种线性运算，因此需要增加非线性映射池化层：进行下采样，对特征图稀疏处理，减少数据运算量。全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失CNN的三个特点：局部连接：这个是最容易想到的，每个神经元不再和上一层的所有神经元相连，而只和一小
转载
2024-09-24 19:20:14
35阅读
目前主流的FPGA仍是基于查找表技术的，已经远远超出了先前版本的基本性能，并且整合了常用功能（如RAM、时钟管理 和DSP）的硬核（ASIC型）模块。如图1-1所示（注：图1-1只是一个示意图，实际上每一个系列的FPGA都有其相应的内部结构），FPGA芯片主 要由6部分完成，分别为：可编程输入输出单元、基本可编程逻辑单元、完整的时钟管理、嵌入块式RAM、丰
SIFT(Scale-Invariant Feature Transform)尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。在CNN用来图像特征提取之前，SIFT算是
spring 是什么 ？ spring 是一个轻量级的资源整合框架，就是将很多的资源（自己的对象，第三方整合的对象，连接池等）整合在一起，进行科学的应用，主要目的是解决在开发时业务逻辑层和DAO(持久层)或其他层的耦合问题。同时Spring框架还可以基于用户设计管理对象与对象的依赖关系，以降低对象与对象之间的直接耦合，提高程序的可维护性和可扩展性。  
转载
2024-05-14 21:17:18
107阅读
本文讲解的是Yunchao Gong发表在2014年的ECCV会议上的，“Multi-Scale Orderless Pooling of Deep Convolutional Activation Features”，中文译名是深度卷积激活特征的多尺度无序池化，其中提出了一种多尺度无序池化卷积神经网络，简称是MOP-CNN，下文称为MOP。先谈核心思想，MOP是对CNN中的特征的有效改进。神经网
转载
2024-05-22 20:03:10
118阅读
引入和代码项目简介https://github.com/songyingxin/Bert-TextClassification模型有哪些？使用的模型有下面七个BertOrigin,BertCNN, BertLSTM, BertATT, BertRCNN, BertCNNPlus, BertDPCNN通用数据集情感分类： 采用 IMDB， SST-2, 以及 Yelp 数据集。IMDB: run_i
一、 CNN结构演化历史的图二、 AlexNet网络2.1 ReLU 非线性激活函数多GPU训练(Training on Multiple GPUs)局部响应归一化(Local Response Normalization)重叠池化(Overlapping Pooling)2.2 降低过拟合( Reducing Overfitting)数据增强(Data Augmentation)Dropou
转载
2024-03-22 14:03:11
41阅读
深度学习是当今最火的研究方向之一。它以其卓越的学习能力，实现了AI的关键功能。 一般来说，深度学习一次肯定是不够的，那到底学习多少次合适呢？翻了翻各位大牛的研究成果，有训练10个迭代的，有30个，甚至也有1万个以上的。这就让小白迷茫了，到底训练多少次合适？训练的检验标准是什么？有一些大牛上来直接就说训练多少次，也不解释为什么，就说是凭经验，这种我们学不来。还有一些专家给出了一些理由，我
转载
2024-08-20 18:09:28
63阅读
