卷积神经网络Step by Step（三） 系列的第一篇博客（一）对卷积神经网络的几个重要概念进行总结，现在就从代码的角度对”卷积”，”池化”，”反向传播”进行详细的分析。代码是基于“UFLDL Tutorial”的excercise代码中的cnn部分实现的，系列博客的最后我会把代码的Github地址分享出来。“池化” 回顾卷积神经网络Step by Step（一）中对“池化”的介绍，为了将卷
转载
2023-08-18 16:42:33
43阅读
反向传播(BP)算法： 稍微明白神经网络是怎么回事的朋友都知道，神经网络分为三大层，输入层（input）、隐藏层（hidden）、输出层（output）。BP反向传播算法也就是多了上图中的红色箭头而已，这是一种简单的人工神经网络，当我们预测的值与真实值之间的差异较大时，我们就把这种差异附加到输入层与隐藏层之间的权重W和偏执项b上，通过每次更新W和b，产生不同的预测值，当预测值与真实值非常接近时，我
转载
2023-10-15 12:47:04
125阅读
flatten层的作用 作用： Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。卷积过程动图 图像上的卷积：如果想提取图像的不同特征（颜色深浅或轮廓），则用不同的滤波器filter。 每个卷积核的深度和输入的深度相同，卷积核的个数和输出深度相同。CNN详解：（很详细，以下为梗概笔记） 具体说来，卷积层和全连接层（CON
转载
2023-08-18 16:45:45
94阅读
feather map的理解在cnn的每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起(像豆腐皮一样)，其中每一个称为一个feature map。feather map 是怎么生成的？输入层：在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map(红绿蓝)。其它层：层与层之间会有若干个卷积核(kernel)(也称为
转载
2023-10-04 16:23:22
53阅读
一、神经网络简单介绍在计算机科学中，所讲的神经网络都是人工神经网络，它是计算机科学家们受到生物神经网络的启发而建立的。人工神经网络由大量的人工神经元联结构成，神经元的示意图如下所示：a1~an为输入向量的各个分量w1~wn为神经元各个突触的权值b为偏置f为传递函数，通常为非线性函数。一般有traingd(),tansig(),hardlim()。t为神经元输出数学表示: 可见一个神经元的功能就是，
转载
2023-12-17 21:12:07
0阅读
卷积神经网络import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,Sequential,losses,optimizers,datasets1.卷积层的实现在 TensorFlow 中，既可以通过自定义权值的底层实现方式搭建神经网络，也可以直接调用现成的卷积层类的高层方式快速
转载
2023-11-19 08:57:28
42阅读
BP神经网络算法 python实现BP神经网络算法 python实现直接上代码是最有效的学习方式。这篇教程通过由一段简短的 python 代码实现的非常简单的实例来讲解 BP 反向传播算法。当然，上述程序可能过于简练了。下面我会将其简要分解成几个部分进行探讨。第一部分：一个简洁的神经网络一个用 BP 算法训练的神经网络尝试着用输入去预测输出。考虑以上情形：给定三列输入，试着去预测对应的一列输出。我
转载
2023-08-16 16:16:43
108阅读
目录Tensor创建Tensor修改Tensor维度截取元素TensorTensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。
原创
2022-01-10 15:07:49
83阅读
目录Tensor创建Tensor修改Tensor维度截取元素TensorTensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。但它们也不相同，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算
原创
2021-08-05 10:44:30
139阅读
Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。
原创
精选
2021-08-09 14:18:51
1943阅读
点赞
摘要：Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。 本文分享自华为云社区《Tensor：Pytorch神经网络界的Numpy》，作者： 择城终老 。 Tensor Tensor，它可以是0维、一维 ...
转载
2021-08-09 15:09:00
292阅读
2评论
七、激活函数的使用 通过之前的学习我们都了解到了激活函数的作用，现在我们将会讲解一下激活函数在不同的神经网络中的应用： 1、首先是sigmoid 函数： a=11+e−z 它的图像可以表示为： 但是这个激活函数多使用在二分分类输出的神经网络，因为需要寻找1和0值，所以在一般的神经网络中我们很少使用这个激活函数。对应的导数为： g′(z)=a(1−a) 这为后面的计算节省了很多时间。 2
转载
2024-01-10 20:01:43
186阅读
卷积神经网络一、卷积神经网络与BP网络（传统前馈神经网络）相比具有以下特点：（1）、采取局部连接（稀疏连接），减少了所需参数； （2）、可直接处理二维数据，故常被用于图片处理操作； （3）、具有三个基本层——卷积层、池化层、全连接层：卷积层CNN算法常用于图片处理，其中卷积层是通过多个卷积核对输入的图片像素矩阵进行局部连接，通过权值共享与卷积的方式进行图片的特征提取得到特征映射数据。（所以卷积核又
转载
2023-09-15 15:36:43
439阅读
1 基本概念BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点就是：信号是前向传播，而误差是反向传播。前向传播过程中，输入信号经由输入层、隐藏层逐层处理，到输出层时，如果结果未到达期望要求，则进入反向传播过程，将误差信号原路返回，修改各层权重。2 BP神经网络结构BP神经网络包含输入层、隐藏层和输出层，其中，隐藏层可有多个，其中，输入层和输出层的节点个数是固定的（
原创
2021-03-23 20:00:09
3030阅读
谷歌实际操作已经有3年了为什么还是没有将网络的能力指数增加原因是为什么这萝卜还用说坑一定是现在的神经网络本质就是无法指数级别优化的所以谷歌填坑这么多年仍然没有填好,但是走向正确的道理之前一定是经过错误,才能避免错误的如果谷歌得到了什么启示,
原创
2021-04-22 20:32:04
852阅读
卷积神经网络 CNN 文章目录卷积神经网络 CNN一、概述二、卷积的概念三、CNN原理3.1 卷积层3.2 池化层3.3 完全连接层3.4 权值矩阵BP算法3.5 层的尺寸设置四、CNN简单使用五、总结 一、概述 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
转载
2023-07-10 16:09:28
1435阅读
深度学习是一种特殊的机器学习，通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性，其中每个概念都定义为与简单概念相关联，更为抽象的表示以较为不抽象的方式来计算。卷积神经网络是一种前馈型神经网络，受生物自然视觉认知机制启发而来。卷积神经网络一般用于计算机视觉领域，由于有时候图片像素很多，导致神经网络输入特征值的维数很多。CNN结构图 在结构图中，第一层输入图片，进行卷积操作，得到第二层深
转载
2023-11-12 13:25:25
438阅读
使用方法说明明确自己需要查的内容，比如说某个函数 tf.split 等，然后直接使用浏览器的查找功能进行查找。 Tensorflow2 基本操作字典1. 安装与相关资料1.1 安装1.2 第一个程序1.3 第二个程序1.4 GPU 的使用1.5 GPU 速度测试1.6 相关文档资料2. tensor 基础2.1 数据类型2.2 查看变量是不是 tensor2.3 转换为 tensor2.4 转换为
转载
2024-01-22 23:21:54
70阅读
谷歌实际操作已经有3年了为什么还是没有将网络的能力指数增加 原因是为什么 这萝卜还用说 坑一定是现在的神经网络本质就是无法指数级别优化的所以谷歌填坑这么多年仍然没有填好,但是走向正确的道理之前一定是经过错误,才能避免错误的 如果谷歌得到了什么启示,目前的神经网络会得到很大的改进,或者是颠覆的创造.人类的基因也是如此的, 我们的染色体经过不断的自我复制的过程中进步,但是基因不过是一个编码而已真正强大
原创
2022-04-06 10:13:22
436阅读
人工神经网络——前馈神经网络——多层神经网络——CNN、DNN、DBN。CNN（卷积神经网络）CNN、RNN、LSTM等各种神经网络都是基于FCNN（全连接神经网络）出发的，最基础的原理都是由反向传播而来。反向传播示意图：神经网络的训练是有监督的学习，也就是输入X 有着与之对应的真实值Y ，神经网络的输出Y 与真实值Y 之间的损失Loss 就是网络反向传播的东西。整个网络的训练过程就是不断缩小损失
转载
2023-09-21 08:21:18
902阅读
