概要本篇文章的重点就是主要介绍GoogLeNet的网络架构，这个网络架构于2014年由Google团队提出。同时GoogLeNet也在经历了从v1、v2、v3、v4几个版本的改进过程。由于内容较多，因此将我也将在之后几篇博客中进行详细叙述。在本篇博客中主要将介绍GoogLeNet v1的网络架构。一、背景与动机在2012年，AlexNet在ImageNet图像分类竞赛中获得了冠军，这也使得深度学习
转载
2024-04-08 22:21:52
56阅读
前言LeNet-5诞生于1994年，是最早的卷积神经网络之一， 由Yann LeCun完成，推动了深度学习领域的发展。在那时候，没有GPU帮助训练模型，甚至CPU的速度也很慢，因此，LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点，给这个领域带来了许多灵感。一、LeNet介绍LeN
转载
2023-12-12 16:13:54
335阅读
ALexNet介绍ALexNet来源论文 《ImageNet Classification with Deep Convolutional Neural Networks》 这篇文章是深度学习的祖师爷Geoffrey Hinton的团队所写的论文, 第一作者是Alex Krizhevsky，所以该网络名称为AlexNet，其是2012年ImageNet竞赛冠军获得者。该文章的重要意义在于其在Ima
转载
2023-08-31 18:49:00
31阅读
为癌症生存数据集开发神经网络
推荐
原创
2021-10-26 17:19:01
2504阅读
点赞
在之前的文章里面，我介绍了机器学习的很多经典算法，其中有一个叫做『神经网络』的算法目前最受追捧，因为击败李世石的阿尔法狗所用到的算法实际上就是基于神经网络的深度学习算法。由于其算法结构类似于人脑神经结构，所以人们对他给予了厚望，希望通过神经网络算法实现真正的AI。神经网络（Neural Network(NN)）一个典型的神经网络如下图
image.pn
转载
2023-10-30 23:54:19
91阅读
文章目录深度学习Pytorch（八）——神经网络模块（详细）一、PyTorch中的nn包二、使用优化器训练神经网络三、自定义nn模块四、神经网络中的控制流和权重共享 一、PyTorch中的nn包计算图和autograd是十分强大的工具，可以定义复杂的操作并且自动求导，然而对于大规模的网络，autograd太底层（太low），在构建网络的过程中，我们经常要考虑将计算安排成层，其中一些可学习的参数，
转载
2023-10-04 20:27:54
179阅读
如何实现golang神经网络包
作为一名经验丰富的开发者，我将向你介绍如何实现一个golang神经网络包。下面是整个实现的流程以及每一步需要做的事情。
流程图如下：
```mermaid
flowchart TD
A[了解神经网络基本知识] --> B[选择一个适合的神经网络库]
B --> C[定义神经网络的结构]
C --> D[初始化神经网络的权重和偏置]
原创
2023-12-26 07:05:09
58阅读
# Golang神经网络架构
## 简介
神经网络是一种模拟人脑神经系统的计算模型，通过模拟人脑中的神经元之间的连接和传递信息的方式，实现了一种机器学习和人工智能的算法。最近，Golang成为了一种非常流行的编程语言，其强大的并发性能和简洁的语法使得它成为了构建高性能神经网络的理想工具。
本文将介绍Golang中神经网络的基本架构，并提供一些代码示例来帮助读者理解和实践。
## 神经网络的
原创
2023-09-04 18:36:16
61阅读
在学习神经网络之前，我认为弄懂逻辑回归是很有必要的(对于逻辑回归比较陌生的可以看看该作者分类那篇文章(●'◡'●))，因为逻辑回归就相当于神经网络的一个“神经元”，而整个神经网络就是由这些“神经元”构成的。我们知道每个"神经元"的作用是完成一个二分类的任务，那么将这些“神经元”链接起来自然而然是为了完成一个多分类的任务，这也就是神经网络的作用了。为了方便后面分享内容的理解
转载
2023-08-24 15:33:01
110阅读
python和go比较： 那么，能不能结合两种语言的优势，采用混合框架呢？ 答案是可以的， 混合框架的优势： 结合两种语言的优点，既具有Python语言的多类库、多应用场景的优势，又兼具Go 语言的支持高并发、运行高效的特点。 1)支持传输超大附件（1G以上）； 2)支持数据库读写分离； 3)支持人工智能算法，特别是深度学习算法。 深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习又可
转载
2023-08-02 11:56:07
540阅读
我的Go+语言初体验——Go+语言构建神经网络实战手写数字识别0. 前言1. 神经网络相关概念2. 构建神经网络实战手写数字识别2.1 构建神经网络2.1.1 节点计算2.1.2 激活函数2.1.3 网络架构2.2 读取手写数字MNIST数据集2.3 训练神经网络2.3.1 前向计算2.3.2 反向传播2.4 评估神经网络3. 程序运行后记 0. 前言看了官方文档，发现 Go+ 完全兼容 Go
转载
2023-08-30 21:40:48
117阅读
第三章 神经网络上一章中我们学习了感知机，感知机的优势是即便对于复杂的函数，感知机也隐含着能够表示它的可能性，但是确定合适的、能够符合预期输入与输出的权重，需要人工进行，这是感知机的劣势所在。神经网络的出现解决了感知机的劣势。具体而言，神经网络的一个重要性质是它可以自动地从数据中学习权重参数。3.1神经网络的结构如图3-1所示，最左边的一列称为输入层，最右边的一列称为输出层，中间的一列称为中间层，
转载
2023-09-06 18:49:26
208阅读
一、写在前面这部分内容应该算是近几年发展中最基础的部分了，但是发现自己忘得差不多了，很多细节记得不是很清楚了，故写这篇博客，也希望能够用更简单清晰的思路来把这部分内容说清楚，以此能够帮助更多的朋友，对于理解错误的地方也希望各位能够留下宝贵的意见，觉得不错别忘了点赞鼓励一下。有条件的童鞋可以看看这篇论文，详细的说明了RNN、LSTM、GRU的计算过程，个人认为如果是要走学术方向的朋友值得细读这篇论文
转载
2023-11-29 17:57:26
110阅读
1.Beego框架简述beego简介beego 是一个快速开发 Go 应用的 HTTP 框架，他可以用来快速开发 API、Web 及后端服务等各种应用，是一个 RESTful 的框架，主要设计灵感来源于 tornado、sinatra 和 flask 这三个框架，但是结合了 Go 本身的一些特性（interface、struct 嵌入等）而设计的一个框架。beego 的架构beego 的整体设计架
转载
2024-01-21 00:47:00
100阅读
在底层使用操作系统的多路复用IO，在协程使用阻塞模型。epoll抽象层用于抽象linux,windows,mac下的网络多路复用。netpollinit()->epoll_create()。新建epoll，拿到文件描述符，新建一个pipe用于中断epoll，有管道数据到达事件注册到epoll中。epoll_ctl()->netpollopen()（监听事件）。传入socket的fd,
转载
2024-01-28 05:06:45
42阅读
看了一段时间吴恩达老师的深度学习微课程，收获较大，这阶段做个总结。算法开发包含算法框架开发、网络结构开发及改进、算法应用优化及模型训练、网络模型压缩这几个方向。今天主要总结下网络结构开发及改进方面相关的。模型开发一般包含3方面工作，新网络结构提出、现有网络功能单元增加、现有网络的局部算法优化：解决某一类问题的新的网络结构提出新的算法模型的开发一般为了解决几
转载
2023-10-24 07:31:19
72阅读
这是构建神经网络历程系列的第一篇博文。本篇博文主要讲述Python中torch库在神经网络构建中的相关用法。torch库成员与神经网络中相关模块的对应关系由于逻辑回归以及其他机器学习算法解决不了非线性分类/回归问题，所以深度学习理论诞生了，上世纪60年代由此产生了神经网络模型。最早的一大批神经网络都是全连接的前馈神经网络，其特点在于当前层的神经元和前后两层神经元之间是处处相连的，每一层参数的个数是
转载
2023-10-03 16:04:47
61阅读
文章目录全连接网络结构的前向传播算法单个神经元全连接网络结构计算过程举例代码实现该神经网络样例程序搭建神经网络的过程：准备、前向传播、反向传播、循环迭代准备前向传播：定义输入、参数和输出反向传播：定义损失函数、反向传播方法循环迭代：生成会话，训练STEPS轮总结 全连接网络结构的前向传播算法单个神经元 从上图可以看出，单个神经元有多个输入和一个输出。而神经网络的结构是不同神经元之间的连接结构。神
转载
2023-12-14 01:47:13
131阅读
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
