文章目录一、前期工作 1. 设置GPU 2. 导入预处理词库类 二、导入预处理词库类 三、参数设定 四、创建模型 五、训练模型函数 六、测试模型函数 七、训练模型与预测今天给大家带来一个简单的中文新闻分类模型，利用TextCNN模型进行训练，TextCNN的主要流程是：获取文本的局部特征：通过不同的卷积核尺寸来提取文本的N-Gram信息，然后通过最大池化操作来突出各个卷积操作提取的最关键信息，拼接
转载
2024-03-17 11:41:16
45阅读
前言卷积神经网络（CNN）在图像处理领域取得了很大的成绩，它的卷积和池化结构能很好提取图像的信息，而在 NLP 领域循环神经网络（RNN）则使用的更多，RNN 及其各种变种因拥有记忆功能使得它们更擅长处理上下文。但 NLP 领域很多方面使用 CNN 取得了出色的效果，比如语义分析、查询检索、文本分类等任务。这篇文章看看如何用 CNN 进行文本分类。模型结构模型结构可以通过下图一层层来看，总共由4部
转载
2023-12-06 22:07:27
112阅读
批归一化处理(Batch Normalization, BN层)通常用于深层的神经网络中，其作用是对网络中某层特征进行标准化处理，其目的是解决深层神经网络中的数值不稳定的问题，是的同批次的各个特征分不相近，网络更加容易训练。BN层一般是放在仿射变换，FC或CONV，层后，在非线性激活单元之前（也有一些实现放在线性激活单元后，但是普遍用法是前者）。深层网络的数值不稳定的问题是，随着网络层数加深，训练
转载
2024-02-19 11:32:33
47阅读
本文概述： 1. 卷积神经网络简介 1.1 从传统神经网络到卷积神经网络 1.2 CNN发展历史 2. CNN原理 2.1 数据输入层(Input layer)(数据预处理) 2.2 卷积层(卷积+激活) 2.1.1 卷积如何计算-卷积核大小(1*1, 3*3, 5*5) 2.1.2 卷积如何计算-卷积核步长(stride)
转载
2024-09-27 14:37:25
218阅读
我们在下面的类中实现textCNN模型。的双向循环神经网络模型相比，除了用卷积层代替循
原创
精选
2023-04-25 21:18:40
440阅读
Task05：基于深度学习的文本分类 本章主要探索两个深度学习模型在文本分类上面的原理和应用。一个是CNN模型的应用TextCNN，另一个是RNN模型的应用TextRNN。TextCNNtextCNN模型的原理图如下 每个词通过向量来表示，模型的上游可以通过word2vec等方法学习得到每个单词的词向量表示，在进行卷积操作，此时的卷积和以往的图片卷积不同，是通过n*d，d表示词向量的维度，卷积的列
转载
2024-07-08 23:12:44
41阅读
文章目录实现基于CNN网络的手写字体识别1、搭建CNN网络模型；2、设计损失函数，选择优化函数；3、实现模型训练与测试。代码： 实现基于CNN网络的手写字体识别首先下载数据1、搭建CNN网络模型；class CNN(nn.Module):
def __init__(self):
super(CNN,self).__init__()
'''
转载
2023-10-19 10:50:21
84阅读
汉字识别是人工智能与模式识别领域中重要的研究内容，针对现有的研究仍然存在着参数调整难度大、训练样本数少、不能识别所有常用字符等问题，提出了一种基于字符编码与卷积神经网络的汉字识别方法，首先通过查询字库得到所有字符信息，以 utf-8 编码方式与多种字体编码文件进行编码输出字符图像，再进行多种图像处理后得到数据集，并利用深度卷积神经网络进行训练识别，在网络训练中通过数据扩增、批标准化、RMSPro
转载
2023-11-02 22:45:25
60阅读
Dual-Stream Convolutional Neural Network With Residual Information Enhancement for Pansharpening（基于残差信息增强的双流卷积神经网络泛锐化算法）基于深度学习的泛锐化方法由于其强大的特征表示能力而取得了显著的效果。然而，现有的基于深度学习的泛锐化方法不仅缺乏不同分辨率特征之间的信息交换和共享，而且不能有效
转载
2023-12-12 20:25:25
20阅读
文本情感分类文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。本节关注它的一个子问题：使用文本情感分类来分析文本作者的情绪。这个问题也叫情感分析，并有着广泛的应用。同搜索近义词和类比词一样，文本分类也属于词嵌入的下游应用。在本节中，我们将应用预训练的词向量和含多个隐藏层的双向循环神经网络与卷积神经网络，来判断一段不定长的文本序列中包含的是正面还是负面的情绪。后续内容将
转载
2024-01-05 23:29:11
47阅读
PaddlePaddle是百度开源的深度学习框架，采
原创
2023-08-10 17:27:43
82阅读
看了很多反卷积和转置卷积的文章，似乎还是一头雾水，记录下自己理解的过程～有人一句话总结：逆卷积相对于卷积在神经网络结构的正向和反向传播中做相反的运算。其实还是不是很理解。反卷积（转置卷积）通常用来两个方面：1. CNN可视化，通过反卷积将卷积得到的feature map还原到像素空间，来观察feature map对哪些pattern相应最大，即可视化哪些特征是卷积操作提取出来的；2. FCN全卷
转载
2024-04-26 15:29:38
87阅读
卷积（多 >1 的映射） 本质：在对输入做9 >1的映射关系时，保持了输出相对于input中的位置性关系 对核矩阵做以下变形：卷积核的滑动步骤变成了卷积核矩阵的扩增 卷积的矩阵乘法变成以下形式：核矩阵重排，输入featuremap变形为向量 反卷积（1 >多 的映射） deconvlution/tr
转载
2020-07-28 19:04:00
1492阅读
2评论
前言卷积和反卷积在CNN中经常被用到，想要彻底搞懂并不是那么容易。本文主要分三个部分来讲解卷积和反卷积，分别包括概念、工作过程、代码示例，其中代码实践部分主结合TensorFlow框架来进行实践。给大家介绍一个卷积过程的可视化工具，这个项目是github上面的一个开源项目。卷积和反卷积卷积(Convolutional)：卷积在图像处理领域被广泛的应用，像滤波、边缘检测、图片锐化等，都是通过不同的卷
转载
2024-04-15 13:35:20
326阅读
反卷积 deconvolution在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小，而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(e.g.图像的语义分割)，这个采用扩大图像尺寸，实现图像由小分辨率到大分辨率的映射的操作，叫做上采样(Upsample)。上采样有3种常见的方法：双线性插值(bilinear)，反卷积(Transpos
转载
2024-03-18 14:42:33
110阅读
1，标准卷积 标准卷积过程如上。 对于多通道的卷积：举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变
转载
2024-03-19 21:20:30
99阅读
1 简介原先写过两篇文章，分别介绍了传统机器学习方法在文本分类上的应用以及CNN原理，然后本篇文章结合两篇论文展开，主要讲述下CNN在文本分类上的应用。前面两部分内容主要是来自两位博主的文章（文章中已经给出原文链接），是对两篇论文的解读以及总结，基本上阐释了CNN文本分类模型；后半部分讲一个实例和项目实战2 论文1《Convolutional Neur...
原创
2023-05-17 18:22:03
167阅读
作者：ChaucerGInvolution: Inverting the Inherence of Convolution for Visual Recognition代码：https://github.com/d-li14/involution论文：https://arxiv.org/abs/2103.06255本文提出了Involution卷积，可构建用于构建新型的神经网络架构！
转载
2023-10-29 15:40:19
103阅读
“图神经网络火了这么久，是时候掌握它了。”本文包括以下内容，阅读时间10min图神经网络是什么意思文本如何构建图图卷积神经网络源代码实现图卷积...
转载
2022-06-06 01:43:10
444阅读
卷积运算与相关运算在计算机视觉领域，卷积核、滤波器通常为较小尺寸的矩阵，比如\(3\times3\)、\(5\times5\)等，数字图像是相对较大尺寸的2维（多维）矩阵（张量），图像卷积运算与相关运算的关系如下图所示（图片来自链接），其中\(F\)为滤波器，\(X\)为图像，\(O\)为结果。相关是将滤波器在图像上滑动，对应位置相乘求和；卷积则先将滤波器旋转180度（行列均对称翻转），然后使用旋
转载
2023-08-12 21:20:43
282阅读
