- 博客(5)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习其四
循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络模型。与传统的前馈神经网络不同，RNN具有一种循环结构，使其能够处理具有时序关系的数据，如文本、语音、时间序列等。RNN的基本结构包括一个输入层、一个隐藏层和一个输出层。隐藏层的神经元之间存在反馈连接，使得网络可以在处理每个时间步的输入时保持状态信息，并将其传递到下一个时间步。这种机制使得RNN能够捕捉序列中的长期依赖关系，从而更好地处理序列数据。3.建立一个字典，将拆分的词元映射到数字索引。
2024-05-12 15:44:06
320
原创 神经网络与深度学习其三
比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么Precision的值就是100%，而Recall的值则是20%。其中𝑁代表测试集中所有图片的个数，𝑃(𝑘)表示在能识别出𝑘个图片的时候Precision的值，而 Δ𝑟(𝑘)则表示识别图片个数从𝑘 − 1变化到𝑘时（通过调整阈值）Recall值的变化情况。舍去IOU大于阈值的边界框；我们有s*s个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体，那么所有整个ground truth的长度为𝑆×𝑆×(𝐵×5+𝐶)。
2024-04-23 15:35:57
1166
原创 神经网络与深度学习其二
具体而言，对于输出图像的每个通道，都会将输入图像中的对应通道与卷积核中的对应通道进行卷积运算，然后将结果进行相加得到输出图像中的像素值。⚫每个神经元对应5*5+1个参数，共6个feature map，28*28个神经元，因此共有(5*5+1)*6*(28*28)=122,304连接。如图所示，注意，图像卷积时，根据定义，需要首先把卷积核上下左右转置。全连接网络：链接权过多，算的慢，难收敛，同时可能进入局部极小值，也容易产生过拟合问题。构成：由多个卷积层和下采样层构成，后面可连接全连接网络。
2024-04-09 20:52:22
497
原创 神经网络与深度学习其一
对于二分类问题，借助Sigmoid函数计算概率，将不同的数据划分为0和1两类，从而将回归问题转化为分类问题，并使用梯度下降法使得误差函数最小，甚至趋近于0。它由输入层、一个或多个隐藏层（图中为单隐层）以及输出层组成，前层至后层节点通过权连接，通过逐层传递和反向传播误差的方式，不断调整网络中的权重和偏置，以最小化输出误差。对数回归引入概率的概念，结合贝叶斯公式和极大似然法，将线性回归的输出映射到0到1之间，重新修改指标函数，并对其最小化，取似然函数。在实际应用中，根据这个概率值，可以进行更灵活的决策。
2024-04-01 21:00:33
1672
原创 程序人生-Hello’s P2P
计算机系统 大作业 题 目 程序人生-Hello’s P2P 专 业 航天学院 学 号 7203610117 班 级 2036015 学 生 李青峰 指 导 教 师 史先俊 计算机科学与技术学院 2022年5月 摘 要 本...
2022-05-20 22:47:34
1853
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人