文章目录一、坐标系1. 一维坐标系1.1 数轴2. 二维坐标系2.1 平面直角坐标系(笛卡尔直角坐标系)2.1.1 点的直角坐标2.1.1.1 象限2.2 极坐标系2.2.1 点的极坐标2.2.2 极坐标与直角坐标之间的关系3. 三维坐标系3.1 空间直角坐标系3.1.1 点的空间直角坐标3.1.2 坐标面3.1.3 卦限3.1.3.1 卦限中坐标的符号3.2 柱面坐标系3.2.1 柱面坐标与空
%%=========================================================================
% 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
MATLAB一维、二维、三维 标量函数绘图1. 一维标量绘图plot2. 二维、三维标量绘图2.1. mesh函数标量绘图2.2. surf函数标量绘图2.3. contour（x,y,z）与contour3(x,y,z)函数绘制等高线2.4. pcolor(x,y,c)绘制伪彩图2.5. slice(x,y,z,v,xi,yi.zi)绘制切片图2.6. NaN进行裁剪 绘图可以将抽象的公式转
转载
2024-10-08 09:58:36
44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
问题提出画你自己的手的形状，在MATLAB中输入figure('position',get(0,'screensize'))axes('position',[0 0 1 1])[x,y]=ginput;实验内容及要求先将手掌置于一张白纸上面，然后用笔画出手的轮廓线，之后现在轮廓线上用×号先标出要取得的点，然后将纸贴在计算机屏幕上，运行程序之后透过纸能隐约看到屏幕上的鼠标，鼠标点击需要采集的点就可以
转载
2024-06-21 08:17:09
52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
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
377阅读
MATLAB类 你在MATLAB软件工作时经常会有很多不同的数据类型或类。你可以建立浮点数和整数矩阵和数组，字符和字符串，及逻辑真假状态。函数句柄可以使你的编码与任何MATLAB函数相连接，不管其当前范围。结构矩阵和单元矩阵提供一种把不同类型数据存储在相同数据内。 在MATLAB中有15种基本类，每一类都是以矩阵或数组形式。这个矩阵或数组最小大小是0乘0，能够发展到任何大小的N
转载
2024-08-07 12:39:54
56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（shift-
原创
2023-04-05 10:40:23
182阅读
1 前言在上一篇Blog，我介绍了在iOS上运行CNN的一些方法。但是，一般来说，我们需要一个性能强劲的机器来跑CNN，我们只不过需要将得到的结果用于移动端。之前在Matlab使用UFLDL的代码修改后跑了手型识别的3层CNN，这里我们就考虑将Matlab转C之后移植到xcode中。Step 1：Matlab 转c首先要保证代码可以跑，可以运行，比如我这边，如下测试cnn识别手型：>>
转载
2024-08-03 13:26:45
29阅读
降维工具箱drtool
主页如下，现在的最新版本是2013.3.21更新，版本v0.8.1b
http://homepage.tudelft.nl/19j49/Matlab_Toolbox_for_Dimensionality_Reduction.html
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
330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
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
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
PCA基本流程：1、训练集矩阵算协方差矩阵A;2、算协方差矩阵特征值与特征向量;3、按特征值的大小排列特征矩阵，得B，对应的特征值（按从大到小排列）组成向量a;4、A*B得到去关联的新矩阵C，A与C的对应位置物理意义相同（指样本维度和样本数），但是去掉了关联，并且按特征贡献度大小排列;5、选贡献度百分比或降维后的维度。例如百分之90，则是取满足sum（a(1:n)）/sum(a)>90%的最
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
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convolution和pooling分别作为两层看待。1.CNN的结构 这个两层CNN的结构如下： 图一 各个变量的含义如下（和代码中的变量名是一致的） images:输入的图片，一张图片是28*28，minibatch的大小设置的是150，所以输入
转载
2023-12-19 22:57:47
103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
45阅读
（1）：1*1卷积（Network in Network）：pooing可以压缩feature map的高度和宽度，而1*1卷积可以压缩feature map的channel维度对于一张二维的图片来说，1*1卷积没有什么意义，就相当于把原图片里的每个像素值乘以了一个数字，但是一般来说经过几个卷积层出来的feature map都是有厚度(filter的数量)的，这时候1*1卷积的操作就可以起到：1.
转载
2023-12-24 08:04:07
0阅读
