深度学习
hanranV
一分耕耘,一分收获~
展开
-
深度学习系列(1)——简要概念
1、概念Deep Learning 的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。[1] 深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷原创 2016-02-19 17:14:51 · 3243 阅读 · 0 评论 -
解压 .solitairetheme8 文件
一、解压方法cp cudnn-8.0-linux-x64-v5.1.solitairetheme8 cudnn-8.0-linux-x64-v5.1.tgztar -xvf cudnn-8.0-linux-x64-v5.1.tgz原创 2016-10-24 11:43:08 · 17994 阅读 · 1 评论 -
检测评价函数 intersection-over-union ( IOU )
1、概念 在目标检测的评价体系中,有一个参数叫做 IoU ,简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为: 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集,即为检测的准确率 IoU : IOU=DetectionResult⋂GroundTruthDetectionResult⋃GroundTruthIOU =原创 2016-08-05 10:28:26 · 75145 阅读 · 5 评论 -
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)概念区分理解
1、相关知识从广义上来说,NN(或是更美的DNN)确实可以认为包含了CNN、RNN这些具体的变种形式。有很多人认为,它们并没有可比性,或是根本没必要放在一起比较。在实际应用中,所谓的深度神经网络DNN,往往融合了多种已知的结构,包括convolution layer 或是 LSTM 单元。其实,如果我们顺着神经网络技术发展的脉络,就很容易弄清这几种网络结构发明的初衷,和他们之间本质的区别。2、神经网原创 2016-02-29 10:21:34 · 102240 阅读 · 11 评论 -
基于深度学习的目标检测方法
1、目标检测之评价标准 在目标检测中,以下几个指标非常重要: (a)识别精度; (b)识别效率; (c)定位准确性; 在目标检测的评价体系中,有一个参数叫做IoU,简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。在Pascal VOC中,这个值为0.5。而2014年以来出现的MS COCO竞赛规则把这个IoU变成了0.5-1.0之间的综合评价值,也就是说,定位越原创 2016-08-02 20:19:37 · 7255 阅读 · 0 评论 -
深度学习实战——caffe windows 下训练自己的网络模型
1、相关准备1.1 手写数字数据集这篇博客上有.jpg格式的图片下载,附带标签信息,有需要的自行下载,博客附带百度云盘下载地址(手写数字.jpg 格式):http://blog.csdn.net/eddy_zheng/article/details/504961941.2深度学习框架本实战基于caffe深度学习框架,需自行参考相关博客搭建环境,这里不再对如何搭建环境作介绍。2、数据准备2.1 准备原创 2016-03-19 16:27:12 · 8517 阅读 · 14 评论 -
深度学习实战——人脸识别
1准备工作1.1 实战环境windows环境,自行安装深度学习框架 Caffe1.2 数据集准备LFW人脸数据集官网自行下载,速度慢的可在百度云盘地址处下载: :http://blog.csdn.net/Eddy_zheng/article/details/50496194原创 2016-05-31 22:26:32 · 3739 阅读 · 0 评论 -
深度学习系列(3.2)——神经网络-sigmoid 神经元
1、weights、bias 参数学习我们希望有一种学习算法,它能够自动地调整网络中的权重因子和偏置。 但是,我们怎样才能设计出这样的算法神经网络?可以通过学习来解决一些问题。假如,网络的输入是从扫描的原始像素数据,亦或是手写数字的图像。我们希望通过网络可以自动地学习权重和偏差,使输出从网络正确分类的数字。假设我们对网络上的一些权重(或偏置)做一些小的调整,并且希望网络上权重因子和偏差也仅有较小的原创 2016-02-27 17:58:52 · 9589 阅读 · 0 评论 -
深度学习系列(3.1)——神经网络-感知机(Perceptrons)
1、神经网络的起始——感知器(perceptrons)说到神经网络,先要讲的当然是 感知器 ,感知器 在上世纪50年代末和60年代初由科学家 Frank\ Frank Rosenblatt 取得了进展,灵感来自早期由 Warren\ Warren McCulloch\ McCulloch 与 沃尔特·皮兹 的神经研究工作。如今,越来越多的算法使用人工神经元模型,在许多现代神经网络的研究中,主要原创 2016-02-20 15:10:01 · 9024 阅读 · 0 评论 -
深度学习系列(3)——使用神经网络去辨识手写数字
1、人脑的数字辨识人脑的视觉系统可以说是世界的奇迹之一,看下面一行数字: 你会觉得你毫不费力地看出了它是 50419 ,其实识别的过程并不简单。人类大脑的每个半球中,有一个初级视觉皮层,V1区,约含有1亿4000万个神经元,它们之间的连接数更是达到了数百亿。然而,人的视觉不仅仅只是V1,整个一系列的视觉皮层还有 V2、V3、V4和V5,这些都做着更复杂的图像处理。如果大家对这方面想有更深入的原创 2016-02-19 21:52:59 · 5374 阅读 · 1 评论 -
深度学习系列(3.3)——神经网络结构
1. Neural networks单隐层网络结构:从左侧的第一层,称之为输入层,亦可成之为输入神经元;中间是隐层;到最后输出层。其实每一层也都可以说成是神经元,表示都是同一个意思,说法不一样而已,很多刚接触神经网络的可能会觉得隐层会很难理解,随着理解的深入你就会发现,没你想象的那么难。以上是单隐层的神经元,但是实际应用场景中,往往是含有多隐层的神经网络。如下所示:原创 2016-04-12 21:29:18 · 2224 阅读 · 2 评论 -
深度学习系列(2)——神经网络与深度学习
1、Neural networks and deep learning在传统的编程方式中,我们告诉计算机做什么,把大问题分成许多小的,精确定义的任务,计算机可以很容易地执行。相比之下,在神经网络中,我们不告诉计算机如何解决我们的问题。相反,它能够从观测数据中学习,“自己”去找出解决问题的方法。在深度神经网络出现之前,我们并不知道如何去训练神经网络、如何去求解,让它去自主学习。深度神经网络的出现,让这原创 2016-02-19 21:03:55 · 2141 阅读 · 0 评论 -
Connectionist Temporal Classification (CTC)
RNN模型可以用来对两个序列之间的关系进行建模。但是,传统的RNN,标注序列和输入的序列是一一对应的。原创 2017-02-11 13:57:03 · 3209 阅读 · 0 评论