一、概论 以图像识别来举例，比如我们让计算机如何识别一张猫的图片识别出猫呢？ 老式的计算机视觉是如何做的呢？ 比如OpenCV： 首先理解很多算法，比如如何检测线条（Edge Detection) 如何做形态学变化等 根据我们的知识， 经验， 脑洞来设计很多特征； 用这些特征去比对一张图像是不是猫。
转载
2017-09-30 10:10:00
270阅读
2评论
进行文本的检测的学习，开始使用的是ctpn网络，由于ctpn只能检测水平的文字，而对场景图片中倾斜的文本无法进行很好的检测，故将网络换为RRCNN（全称如题）。小白一枚，这里就将RRCNN的论文拿来拜读一下，也记录一下自己阅读过程中的收获。 在这篇论文中，作者提出了Rotational Region CNN
Pytorch中CNN图像处理学习代码import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
# torchvision是独立于pytorch的关于图像操作的一些方便工具库。
转载
2024-06-03 10:17:28
94阅读
1、CNN结构演化历史图 CNN经典论文学习第一篇，卷积神经网络开山鼻祖，经典的手写体识别论文——LeNet:《Gradient-Based Learning Applied to Document Recognition》，作者包括深度学习三大巨头之一Yann Lecun，花书《深度学习》作者之一Yoshua Bengio。 原文篇幅很长，选择记录其中最重要的介绍CN
转载
2024-02-14 13:23:35
234阅读
CNN图像分类 入门 本次入门学习的项目是CNN图像分类的花卉识别 通过使用五种各五百张不同种类的花卉图片进行模型训练 训练结果如下： 预测成功率大概在64%左右（与训练集过少还是有一些关系的） 预测结果如下： 代码部分 训练代码解释部分： 模型导入： # -*- coding:uft-8 impo ...
转载
2021-07-20 16:29:00
1399阅读
3评论
tensorflow cnn 入门例子from __future__ import print_functionimport tensorflow as tffrom tensorflow.exa
原创
2022-08-02 09:08:29
200阅读
数据的准备其实是最花功夫和时间的，度过了上一个阶段后，就进入激动的模型训练阶段了，首先简要聊聊我对Mask RCNN算法的理解： MaskRCNN是何凯明大神基于FastRCNN的改进，2018年初在tensorflow上实现了该模型算法。在原有FastRCNN的基础上，将ROIPooling部分调整为ROIAlign，同时增加mask值描述分类。我对整个Mask RCNN的理解如下：
1.感受卷积神经网络的强大 卷积神经网络 玩转神经网络的步骤： 应用：classification, retrieval, detection, segmentation,姿态估计
原创
2022-10-13 09:47:08
73阅读
文章目录第三章：神经网络3.1 数学模型3.2 激活函数3.3 代码实现3.4 学习容量和正则化3.5 生物神经科学基础 第三章：神经网络神经网络是对线性模型的升级，使之能对线性不可分的训练集达到好的分类效果，同时也是理解卷积神经网络的基础，其核心是引入非线性激活函数和多层结构。3.1 数学模型线性模型只能对线性可分的训练集达到较好的分类效果，那么怎么对其升级，使之能对线性不可分的训练集也达到好
转载
2023-10-08 08:51:50
60阅读
人脸检测及识别python实现系列（4）——卷积神经网络（CNN）入门 上篇博文我们准备好了2000张训练数据，接下来的几节我们将详细讲述如何利用这些数据训练我们的识别模型。前面说过，原博文给出的训练程序使用的是keras库，对我的机器来说就是tensorflow版的keras。训练程序建立了一个包含4个卷积层的神经网络（CNN），程序利用这个网络训练我的人
转载
2023-06-27 10:23:07
134阅读
1. 导入各种模块基本形式为：import 模块名from 某个文件 import 某个模块2. 导入数据(以两类分类问题为例，即numClass = 2)训练集数据data可以看到，data是一个四维的ndarray训练集的标签3. 将导入的数据转化我keras可以接受的数据格式keras要求的label格式应该为binary class matrices，所以，需要对输入的label数据进行转
转载
2023-09-19 22:39:58
289阅读
前言在我们训练神经网络时，通常使用的优化算法就是梯度下降，在这篇文章中，我以卷积神经网络为例，来具体展示一下在Pytorch中如何使用梯度下降算法来进行卷积神经网络的参数优化。1.网络搭建我们先来构建一个简单的卷积网络。import torch
import torch.nn as nn
import torch.optim as optim
class Conv_net(nn.Module):
转载
2023-11-03 09:46:52
150阅读
作者：飘哥 DNN是指深度神经网络，它是一个很广的概念，某种意义上CNN、RNN、GAN等都属于其范畴之内。DNN与CNN（卷积神经网络）的区别是DNN特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。DNN是指包含多个隐层的神经网络，根据神经元的特点，可以分为MLP、CNNs、RNNs等，从神经元的角度来讲解，MLP是最朴素的DNN，CNNs是encode了空间相关性的DN
转载
2023-10-09 11:03:55
59阅读
环境配置python3.8.5tensorflow2.4.1使用模型与数据集tensorflow中的keras做CNNmnist数据集（因为tensorflow自带了这个数据集，所以我直接使用了tensorflow自带的数据集并且下载到本地）数据集可以用show.py打开前几张图片只使用全连接层的神经网络这是一开始做的，因为不需要卷积层，只有全连接层来做数据的降维与分类，速度极快，每一层只需要不到
转载
2024-06-09 06:42:10
53阅读
本文实例为大家分享了基于TensorFlow的CNN实现Mnist手写数字识别的具体代码，供大家参考，具体内容如下一、CNN模型结构输入层：Mnist数据集(28*28)第一层卷积：感受视野5*5，步长为1，卷积核：32个第一层池化：池化视野2*2，步长为2第二层卷积：感受视野5*5，步长为1，卷积核：64个第二层池化：池化视野2*2，步长为2全连接层：设置1024个神经元输出层：0~9十个数字类
转载
2023-10-16 13:22:31
122阅读
引言在本文中，我们将尝试使用 Keras 框架实现基本的 CNN 模型。卷积神经网络的好处在于它通过保留最大信息来减少或最小化图像的维度和参数，从而使训练过程变得更快并占用更少的计算能力。让我们开始吧！我们必须导入与 Keras 关联的某些库来实现 CNN 模型。#basic libraries
import matplotlib.pyplot as plt
from numpy import a
转载
2024-02-18 21:28:24
52阅读
大家好，今天和各位分享一下如何使用 Tensorflow 构建 CNN卷积神经网络和 LSTM 循环神经网络相结合的混合神经网络模型，完成对多特征的时间序列预测。本文预测模型的主要结构由 CNN 和 LSTM 神经网络构成。气温的特征数据具有空间依赖性。本文选择通过在模型前端使用CNN卷积神经网络提取特征之间的空间关系。同时，气温数据又具有明显的时间依赖性，因此在卷积神经网络后添加 LSTM 长短
转载
2023-07-10 14:40:58
275阅读
点赞
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
用tensorflow，pytorch这类深度学习库来写一个神经网络早就不稀奇了。可是，你知道怎么用python和numpy来优雅地搭一个神经网络嘛？现如今，有多种深度学习框架可供选择，他们带有自动微分、基于图的优化计算和硬件加速等各种重要特性。对人们而言，似乎享受这些重要特性带来的便利已经是理所当然的事儿了。但其实，瞧一瞧隐藏在这些特性下的东西，能更好的帮助你理解这些网络究竟是如何工作的。所以今
转载
2024-07-23 09:43:46
37阅读
MNIST虽然很简单，但是值得我们学习的东西还是有很多的。项目虽然简单，但是个人建议还是将各个模块分开创建，特别是对于新人而言，模块化的创建会让读者更加清晰、易懂。CNN模块：卷积神经网络的组成；train模块：利用CNN模型 对 MNIST数据集 进行训练并保存模型test模块：加载训练好的模型对测试集数据进行测试cnn.pt ： train 的CNN模型注意！ 有GPU的小伙伴尽量使用GPU训
