目录代码实例最后结果模型草图代码实例import numpy as np
import tensorflow.compat.v1 as tf
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data
tf.compat.v1.disable_eager_execution()
转载
2023-05-27 16:15:47
191阅读
上一讲我说到了线性回归模型，它可以帮助我们解决房价预测等回归、拟合的问题，我们也可以对回归方程 f(x)输出加一个 Sigmoid 函数，使其也能应用在分类问题上。但现实中除了分类问题还有很多不同的场景，会用到图像算法、文本算法、音视频算法等等。今天，就让我来带你学习卷积神经网络（Convolutional Neural Networks，CNN）在图像，音频上的应用。卷积神经网络在人脸识别、智慧
转载
2023-09-13 23:13:48
2阅读
一、基础结构CNN和之 前介绍的神经网络一样，可以像乐高积木一样通过组装层来构建。不过， CNN中新出现了卷积层（Convolution层）和池化层（Pooling层）。此外，各层中传递的数据是有形状的数据（比如，3维数据） 靠近输出的层中使用了之前 的“ Affine - ReLU”组合。此外，最后的输出层中使用了之前的“Affine - Softmax”组合。这些都是一般的CN
转载
2023-10-10 11:29:03
259阅读
AlexNet 2012年，Hinton的学生Alex Krizhevsky提出了深度卷积神经网络模型AlexNet，获得当年ILSVRC（Image Large Scale Visual Recognition Challenge）比赛分类项目的冠军。AlexNet主要使用到的新技术如下：a) 成功使用ReLU作为CNN的激活函数，并验证了其在较深网络中的有效性，解决了Sigmod在网络较深
转载
2023-10-15 23:58:12
155阅读
卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC。 1. 卷积 1.1 单通道、一个卷积核的例子卷积操作的作用是为了进行特征的提取，下图以 5*5 矩阵 A (一副图像的像素值)，使用一个3*3的卷积核 (矩阵B) 在该 5*5 的图像上做卷积。卷积过程：对矩阵A从左上角开始先取一个和卷积核矩阵B相同shape的子矩阵和
转载
2023-10-08 07:47:59
180阅读
CNN卷积神经网络1.关于卷积神经网络2.卷积神经网络实例（手写字母识别）2.1 代码示例2.2 运行过程及结果2.3 测试结果3.参考与致谢 1.关于卷积神经网络卷积神经网络（Convolutional Neural Network,CNN) 是一种具有局部连接、权重共享等特征的深层前馈神经网络。 我们先来看一下比较直观的了解一下，对卷积神经网络有个感性的认识： 我们首先先对我们输入的图片进行
转载
2023-08-11 17:41:01
154阅读
深度卷积网络：实例探究(Deep convolutional models: case studies)为什么要进行实例探究？（Why look at case studies?）LeNet-5网络，我记得应该是1980年代的，经常被引用的AlexNet，还有VGG网络。这些都是非常有效的神经网络范例，当中的一些思路为现代计算机视觉技术的发展奠定了基础。论文中的这些想法可能对你大有裨益，对你的工作
转载
2023-10-13 00:22:56
139阅读
卷积神经网络不知道什么是卷积神经网络？没关系，大家应该用过淘宝的拍立淘吧，根据你照片识别出相似的商品，原理中就用到了卷积神经网络。它能根据你的一张图片提取特征，从而识别物体。当然卷积神经网络不仅在图像识别大有作为，接下来进入正题，揭开卷积神经网络的面纱。 why convolution?1.参数相比神经网络这样的全连接少太多了！有效地避免了过拟合。2.具有平移不变性，提取特征能力很强&n
转载
2024-03-12 21:07:08
64阅读
卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理, 药物发现, 等等. 前期最火的 Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术.卷积 和 神经网络我们来具体说说卷积神
转载
2023-10-11 15:46:31
60阅读
CNN卷积神经网络(Convolution Neural Network, CNN)最早使用于图像领域，通常有多个卷积层+池化层组成，最后再拼接全连接层做分类。卷积层主要是执行卷积操作提取图片底层到高层的特征，池化层主要是执行降采样操作，可以过滤掉一些不重要的高频信息。(降采样是图像处理中常见的一种操作) 神经网络神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开
转载
2023-10-12 13:40:11
189阅读
这期会讲解一些经典实例，包括：LeNet-5AlexNetVGG此外还有 ResNet（Residual Network，残差网络），以及 Inception Neural Network。一、经典网络1、LeNet-5 特点：LeNet-5 针对灰度图像而训练，因此输入图片的通道数为 1。该模型总共包含了约 6 万个参数，远少于标准神经网络所需。典型的 LeNet-5 结构包含卷积层（CONV
转载
2023-10-08 07:47:16
287阅读
一.原理CNN 由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成：Convnets 背后有三个关键动机：局部感受野、共享权重和池化。局部感受野如果想保留图像中的空间信息，那么用像素矩阵表示每个图像是很方便的。然后，编码局部结构的简单方法是将相邻输入神经元的子矩阵连接成属于下一层的单隐藏层神经元。这个单隐藏层神经元
转载
2023-10-09 13:52:06
507阅读
一、概述及完整代码本例的代码主要来自keras自带的example里的 mnist_cnn 模块，主要用到keras.layers中的Dense, Dropout, Activation, Flatten模块和keras.layers中的Convolution2D,MaxPooling2D。构建一个两层卷积层两层全连接层的简单卷积神经网络，12次循环后可以达到99.25%的准确率，可见CNN的预测
转载
2023-10-24 17:21:09
39阅读
目录 卷积有什么作用？卷积核步长填充参数共享池化整体卷积流程卷积有什么作用？左图为BP神经网络，右图为卷积神经网络。BP网络训练连接线的参数，卷积训练卷积核的参数卷积网络到底做了一件什么事呢？其实就是提取特征 ，那么又是如何提取的呢？概括的来说：输入一副h*w*c的图像，通过k*k*c的卷积核在原始图像上进行滑动，滑动的过程中对图像进行计算，得到新的特征图，周而复始。比如下图输
转载
2023-08-21 16:00:37
72阅读
1 深度学习卷积神经网络案例我们将使用一个循环卷积神经网络对MNIST手写数字数据集进行分类。该数据集包含60,000个训练图像和10,000个测试图像，每个图像的大小为28x28像素。首先，我们需要导入必要的库和数据集：import tensorflow as tf
from tensorflow.keras.datasets import mnist
(x_train, y_train),
转载
2023-08-13 11:04:51
85阅读
视频笔记，视频链接地址：https://www.bilibili.com/video/BV1b7411T7DA卷积神经网络包含了卷积层的都可以认为是卷积神经网络 应用：图像分类、图像检索、目标检测、图像分割、无人驾驶 GPU比CPU速度快很多，大概在20倍全连接层将一个特征矩阵展开成行向量或列向量，然后进行运算 one-hot编码是常用的对标签编码的一种方式许多神经元全连接得来的 x1x2x3是3
转载
2023-08-08 07:17:24
365阅读
2.1 为什么要进行实例探究？（Why look at case studies?）这周我们首先来看看一些卷积神经网络的实例分析，为什么要看这些实例分析呢？上周我们讲了基本构建，比如卷积层、池化层以及全连接层这些组件。事实上，过去几年计算机视觉研究中的大量研究都集中在如何把这些基本构件组合起来，形成有效的卷积神经网络。最直观的方式之一就是去看一些案例，就像很多人通过看别人的代码来学习编程一样，通过
转载
2023-11-03 09:46:50
33阅读
深度学习框架Pytroch系列注：大家觉得博客好的话，别忘了点赞收藏呀，本人每周都会更新关于人工智能和大数据相关的内容，内容多为原创，Python Java Scala SQL 代码，CV NLP 推荐系统等，Spark Flink Kafka Hbase Hive Flume等等~写的都是纯干货，各种顶会的论文解读，一起进步。 这个系列主要和大家分享深度学习框架Pytorch的各种api，从基础
转载
2023-08-04 23:36:10
88阅读
上篇文章中我们讲解了卷积神经网络的基本原理，包括几个基本层的定义、运算规则等。本文主要写卷积神经网络如何进行一次完整的训练，包括前向传播和反向传播，并自己手写一个卷积神经网络。如果不了解基本原理的，可以先看看上篇文章：【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理 卷积神经网络的前向传播 首先我们来看一个最简单的卷积神经网络： 1.输入层---->卷积层 以上一节
转载
2023-10-13 00:02:21
96阅读
这两天突然发现，不管是书籍还是竞赛里的卷积神经网络模型都没有讲解说为什么这样设置层数？比如先有两个卷积层，再有一个池化层，最后有一个全连接层，选择这些层的层数是根据什么原理的呢？这件事引起了我的好奇。于是我就展开了调研，发现这个问题目前在深度学习领域没有具体的解决方法，大多是凭经验来设计神经网络模型。 在寻找答案的过程中发现一篇文献提出了两个对于深度卷积神经网络设计的约束条件，在满足这两个约束条件
转载
2023-10-07 21:11:56
129阅读
