一、准备python环境以Windows平台为例：1.安装python3直接默认安装，并且添加到PATH。安装完毕后在命令行输入python回车查看是否安装成功。2.更换pip源在win+R运行输入%APPDATA%，点击确定，进入C:Users\用户名\AppData\Roaming文件夹，在该文件夹下新建文件夹pip，在pip下新建文本文件，在其中填入如下内容，然后将文件命名为pip，扩展名改
转载
2023-12-31 17:58:27
82阅读
参考：卷积层 —— Conv1D层1. Conv1D 层1.1 语法keras.layers.convolutional.Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glo
转载
2023-12-03 13:39:43
145阅读
说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。 （做数据集的过程可以看） Faster-RCNN源码下载地址： Matlab版本：https://github.com/ShaoqingRen/faster_rcnn Python版本:https://github.com/rbgirshick/py-faster-rcnn 本文用到的是Mat
转载
2024-10-11 12:37:18
26阅读
一维插值是指对一维函数进行插值。已知n+1个结点(x,y,)，其中x,互不相同(j=0，1，2，... n),求任意插值点x*处的插值y*。求解一维插值问题的主要思想是:设结点由未知的函数g(x)产生，函数g(x)为连续函数且g(x)=y;(j=0,1,...,n);接着构造相对简单的且容易实现的函数f(x)来逼近函数g(x),使f(x)可以经过n+1个结点，即f(x)=y;(j=0,1,2,,n
文章目录前言一、CNN手推过程二、代码实现PyTorch二维卷积1.用原始的矩阵运算来实现二维卷积,不考虑batch-size维度和channel维度2.用原始的矩阵运算来实现二维卷积,不考虑batch-size维度和channel维度, flatten版本3.用原始的矩阵运算来实现二维卷积,考虑batch-size维度和channel维度总结 前言本章主要是介绍CNN的手推过程，展示了CNN正
转载
2024-01-10 17:03:13
347阅读
# Python一维CNN：简介与实现
卷积神经网络（CNN）是一种强大的深度学习模型，广泛应用于图像处理、自然语言处理和时间序列分析等领域。尽管二维卷积神经网络（2D CNN）大受欢迎，但一维卷积神经网络（1D CNN）在处理一维数据（如时间序列、文本等）方面同样表现出色。本文将介绍一维CNN的基本概念、如何使用Python实现一维CNN模型，并通过示例代码与可视化技术，让你更直观地理解。
%%=========================================================================
% 函数名称：cnnsetup
% 输入参数：net，待设置的卷积神经网络；x，训练样本；y，训练样本对应标签；
% 输出参数：net，初始化完成的卷积神经网络
% 主要功能：对CNN的结构进行初始化
% 算法流程：1)
% 注意事项：1)isOc
转载
2024-05-29 06:43:51
182阅读
Facenet的实现思路一、预测部分1、主干网络介绍 facenet的主干网络起到提取特征的作用，原版的facenet以Inception-ResNetV1为主干特征提取网络。本文一共提供了两个网络作为主干特征提取网络，分别是mobilenetv1和Inception-ResNetV1，二者都起到特征提取的作用，为了方便理解，本博文中会使用mobilenetv1作
转载
2024-04-26 16:54:44
114阅读
1.算法描述卷积神经网络（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（sh
转载
2024-04-25 12:11:38
335阅读
正如上一篇文章所述，CNN的最后一般是用于分类是一两个全连接层，对于前面池化层输出的二维特征图是怎么转化成一维的一个向量的呢？从上图的结构中可以看到，最后两层是两个矩形，也就是一维向量，以MNIST手写数据集为例，上层输出的特征图（Feature Map）为14*14*64大小，经过一个全连接层（这里第一个全连接层的神经元设置为1024个）之后，变成了1*1024的向量。为什么维数降低了呢？别忘了
转载
2023-12-26 21:03:52
113阅读
1DCNN 简介：1D-CNN（一维卷积神经网络）是一种特殊类型的卷积神经网络，设计用于处理一维序列数据。这种网络结构通常由多个卷积层和池化层交替组成，最后使用全连接层将提取的特征映射到输出。以下是1D-CNN的主要组成部分和特点：输入层：接收一维序列数据作为模型的输入。卷积层：使用一系列可训练的卷积核在输入数据上滑动并提取特征。卷积操作能够有效地提取局部信息，从而捕捉输入序列的局部模式。激活函数
在本文中，我们将探讨创建一个一维 CNN（卷积神经网络）的 DataLoader。我们将通过几个方面来分析和设计这个过程，包括背景定位、演进历程、架构设计、性能攻坚、故障复盘等。希望通过这篇文章能与大家分享一些经验与教训。
### 背景定位
在数据科学和机器学习的业务场景中，我们常常需要处理大量的时间序列或一维数据。使用 CNN 处理这类数据有其独特的优势，例如，能够自动提取特征，不依赖于手动
今天重点理解了几篇介绍CNN的博文，跑了几个基于keras的cnn的代码样例，只能说实现了对CNN的初窥！计算一个维度（宽或高）内一个输出单元里可以有几个隐藏单元的公式权值参数，同时理解了权值共享的情况 权值共享(Shared Weights)在卷积网络中，每个稀疏过滤器hi通过共享权值都会覆盖整个可视域，这些共享权值的单元构成一个特征映
转载
2024-08-22 11:39:09
79阅读
对于CNN输入的数据，常见的有三种处理方式： 1.Mean subtraction. 将数据的每一维特征都减去平均值。在numpy 中 X -= np.mean(X, axis = 0) 2.Normalization 归一化数据，使数据在相同尺度。 在numpy 中 X /= np.std(X
转载
2023-11-14 10:03:04
128阅读
AlexNet网络在2012年内的ImageNet比赛中脱颖而出，性能大幅超越传统基于SVM等算法。其作者是多伦多大学的Alex Krizhevsky，因此网络命名为AlexNet网络。当然站在现在看AlexNet网络，它的很多trick也被运用广泛，但毕竟在当年还没有框架的年代能达到一定的效果，也是非常的不容易。【网络结构】 图1 AlexNet网络结构图
上图分为上下两个部分，每个部分
转载
2024-08-08 11:37:11
92阅读
作者：小占同学本文是本人所写的NLP基础任务——文本分类的【深入TextCNN】系列文章之一。【深入TextCNN】系列文章是结合PyTorch对TextCNN从理论到实战的详细教程。本文适合阅读的对象：对深度学习、卷积神经网络和PyTorch有一定的基础对卷积神经网络用于文本分类有一定实践经验的读者在拥有上面基础的同时想进一步提高自己、增加对TextCNN的理解的读者本文的重点部分是：结合PyT
转载
2024-08-08 12:09:07
67阅读
DenseNet复现DenseNet网络是2017年提出的一种借鉴了GoogLeNet的Inception结构，以及ResNet残差结构的一种新的稠密类型的网络，既利用残差结构避免网络退化，又通过Inception结构吸收多层输出的特征，其拥有着极好的性能又占据着恐怖的内存，但是对于追求准确率的任务来说这是一个非常值得尝试的选择。一维模型训练模板代码自己编写已开源https://github.co
转载
2024-05-27 23:33:00
49阅读
深度神经网络框架：(前向神经网络FDNN&&全连接神经网络FCNN)使用误差反向传播来进行参数训练(训练准则、训练算法)数据预处理 最常用的两种数据预处理技术是样本特征归一化和全局特征标准化。 a.样本特征归一化 如果每个样本均值的变化与处理的问题无关，就应该将特征均值归零，减小特征相对于DNN模型的变化。在语音识别中，倒谱均值归一化(CMN)是在句子内减去MFCC特征的均值，可以
转载
2024-04-20 22:17:41
55阅读
Matlab实用技巧实用技巧计算欧几里得举例：vecnorm、pdist重复数组：repmat随机选取整数：randperm，randi归一化处理：mapminmax判断数组中是否出现某个元素：ismember分贝与功率的转化：db2pow，pow2db，db范数的泰勒级数展开：taylor获取矩阵无重复行：unique对两个数组应用按元素运算 bsxfun计算数组元素个数 numel【不推荐，
转载
2024-03-27 13:08:40
379阅读
前言我们知道差分里的CN格式是无条件稳定的。但是最近在学习有限元结合CN格式算长时间抛物问题的时候（在时间方向用差分空间方向用有限元）发现稳定性却不能保证，其数值解和真解误差会随着时间越来越大。并且实际能算的时间只有几秒，这几秒钟几乎是没有实际意义的。所以就想到一个问题，纯CN差分格式在长时间计算的时候，是否也是个理论看还行，实践臭弟弟的“花瓶”呢？ 在以前做差分课本上的算例大多也是只有几秒，还真
转载
2024-08-11 12:51:41
190阅读
