写的还算不错。最近在倒腾Matconvnet工具包，正好看见新版Matlab的神经网络工具了，一并学习了，两者很相似。这里是matlab2017a，昨天去学校网上看，貌似matlab2018也出来了哈哈，真是日新月异。关于Matlab，CUDA，VS编译器，以及GPU配置可以查看我的上一篇博文。1.前言最近需要用到卷积神经网络(CNN)，在还没完全掌握cuda+caffe+TensorFlow+p
转载
2024-02-16 10:06:53
16阅读
经典反向传播算法公式详细推导 卷积神经网络(CNN)反向传播算法公式详细推导网上有很多关于CNN的教程讲解，在这里我们抛开长篇大论，只针对代码来谈。本文用的是matlab编写的deeplearning toolbox，包括NN、CNN、DBN、SAE、CAE。在这里我们感谢作者编写了这样一个简单易懂，适用于新手学习的代码。由于本文直接针对代码，这就要求读者有一定的CNN基础，可以参考L
转载
2024-09-24 19:15:53
195阅读
最近在看DQN的时候发现resnet模型又有点不太理解，于是把从CNN到Resnet的资料看了一遍，以防忘记，整个备忘录。 卷积神经网络(CNN)，是深度学习中常见的一种网络结构，相比于传统的神经网络大量的神经节点带来的内存消耗过大和参数爆炸，CNN的出现很好解决了这一问题。一.CNN基本概念 &nbs
转载
2024-03-29 10:24:46
99阅读
前期工作：下载安装matlab和下载MatConvNet以及下载GPU相关文件和配置GPU。 具体请参见我之前的文章： 1. 深度学习 2. MatConvNet（CNN）的配置和相关实验结果,CNN学习使用 ： 2. 深度学习 3. MatConvNet (CNN)的介绍和下载以及CPU和GPU的安装配置，Matlab2016 ： 准备工作： 1. 打
转载
2024-04-03 12:55:21
148阅读
中文介绍：MatConvNet是一个MATLAB工具箱，提供了计算机视觉的卷积神经网络（CNN）。简单，高效，是一个先进的可以运行和学习的CNN。许多预测训练的CNN网络可以用于图像分类，分割，面部识别和文本检测。下载官网：http://www.vlfeat.org/matconvnet/下载后无需安装，只需解压，然后在Matlab中进行配置即可。实验平台：win7 64位；Matlab R201
转载
2024-05-20 14:23:48
225阅读
Keras 模型构建概览Keras 模型构建主要包括5个步骤：。1.1 定义模型model = Sequential()
model.add(Dense(2))定义模型是 Keras 构建神经网络的第一步，这里由Sequential类生成了一个实例，然后添加了一个Dense类型的层（layer），参数2表示该层神经元的数量。一般层的添加顺序即是各层连接的顺序，也是数据流经模型被处理的顺序。模型添加
转载
2024-09-18 20:42:18
38阅读
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant
转载
2023-10-08 08:19:41
140阅读
我们使用华为云 ModelArts 轻松完成了滑动验证码缺口的识别。但是那种实现方案依赖于现有服务，是华为云提供的深度学习平台所搭建的识别模型，其实其内部是用的深度学习的某种目标检测算法实现的，如果利用平台的话，我们无需去申请 GPU、无需去了解其内部的基本原理究竟是怎么回事，它提供了一系列标注、训练、部署的流程。但用上述方法是有一定的弊端的，比如使用会一直收费，另外不好调优、不好更好地定制自己的
转载
2024-08-21 09:24:43
51阅读
CNN 是 network架构， 名 为 卷积神经网络。 它 专门用于 影像方面。通过CNN 让大家明白： 1、network架构设计有什么想法？ 2、为什么设计network架构，可以让我们的network结果做的更好首先，我们以影像分类的例子（即我
转载
2024-03-19 13:52:22
51阅读
一、opencv的示例模型文件opencv4.0.0中暂未提供cpp代码，使用python代码改编，参考https://github.com/opencv/opencv/blob/master/samples/dnn/mask_rcnn.py，我们使用的模型为 mask_rcnn_inception_v2_coco_2018_01_28.pb，选择InceptionV2是因为其速度更快，其他更好效
转载
2024-02-29 16:31:27
204阅读
这节课开始讲深度学习中重要的网络： 卷积神经网络(Convolutional Neural Network)CNN。 理解卷积操作在神经网络中的作用，理解CNN在做什么，以及CNN的可视化。 首先回顾一下及深度学习(CNN)中的卷积为什么要用CNN？局部检测 卷积核有大小之分，对应感受视野，而一个卷积核一般远远小于整张图片，所以卷积后的到视野也是比较小的。而检测一个物体的特征，比如鸟有鸟
1.前言最近需要用到卷积神经网络(CNN)，在还没完全掌握cuda+caffe+TensorFlow+python这一套传统的深度学习的流程的时候，想到了matlab，自己查了一下documentation,还真的有深度学习的相关函数。所以给自己提个醒，在需要用到某个成熟的技术时先查一下matlab的帮助文档，这样会减少很多时间成本。记得机器学习的大牛Andrew NG.说过在硅谷好多人都是先用m
转载
2024-08-08 11:46:29
171阅读
卷积神经网络主要是处理一些有关图像处理的问题，众所周知，现在照片的图像表示是通过像素点完成的，一张图片是可能有由
个像素点组成的，每个像素点上又有代表了该像素点特征的信息，如RGB下分别有R值G值和B值（分别代表red，green和black）。
简单起见，我们可以把图像看成二维的具有长宽两个维度二维向量的输入。 互相关（crosscorrelation） 先来说说互相关，
转载
2023-11-27 00:17:21
80阅读
想自己动手写一个CNN很久了，论文和代码之间的差距有一个银河系那么大。在实现两层的CNN之前，首先实现了UFLDL中与CNN有关的作业。然后参考它的代码搭建了一个一层的CNN。最后实现了一个两层的CNN，码代码花了一天，调试花了5天，我也是醉了。这里记录一下通过代码对CNN加深的理解。首先，dataset是MNIST。这里层的概念是指convolution+pooling，有些地方会把convol
转载
2024-05-07 15:24:59
60阅读
目录1.算法描述2.仿真效果预览3.MATLAB核心程序4.完整MATLAB1.算法描述 GRNN，即General Regression Neural Network，中文全称为广义回归神经网络，是由The Lockheed Palo Alto研究实验室在1991年提出的。GRNN是一种新型的基于非线性回归理论的神经网络模型。GRNN是建立在非参数核回归基础
转载
2023-10-08 08:54:23
146阅读
核心函数： (1) function[pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数 【输出参数】 pop--生成的初始种群【输入参数】num--种群中的个体数目bounds--代表变量的上下界的矩阵eevalFN--适应度函数eevalOps--传递给适应度函数的参数options
想自己动手写一个CNN很久了，论文和代码之间的差距有一个银河系那么大。在实现两层的CNN之前，首先实现了UFLDL中与CNN有关的作业。然后参考它的代码搭建了一个一层的CNN。最后实现了一个两层的CNN，码代码花了一天，调试花了5天，我也是醉了。这里记录一下通过代码对CNN加深的理解。首先，dataset是MNIST。这里层的概念是指convolution+pooling，有些地方会把convol
转载
2024-05-08 21:43:24
127阅读
1 前言 2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。
原创
2021-07-09 10:49:27
3098阅读
点赞
Keras 构建CNN一.构建CNN准备Keras构建CNN准备不像Tensorflow那么繁琐，只需要导入对应的包就行。from keras.models import Sequential导入顺序模型，这是Keras最简单的模型Sequential 顺序模型，它由多个网络层线性堆叠。from keras.layers import Dense,Activation,Convolution2D,
转载
2023-12-01 08:43:40
182阅读
目录一、引言 二、卷积神经网络（CNN）三、生成对抗神经网络（GAN）一、引言 二、卷积神经网络（CNN） 一共有七层，分别为：C1：第一次卷积；S2：第一次池化；C3：第二次卷积；S4：第二次池化；C5：第一次全连接层；F6：第二次全连接层；OUTPUT:输出层。局部连接（权值共享）：每个隐层神经元的权值是相同的，如下图： 全连接层：每个输入神经元都与每个
