cs231n'18：Lecture 9 | CNN Architectures

最新推荐文章于 2020-12-11 21:38:52 发布
最新推荐文章于 2020-12-11 21:38:52 发布
阅读量303 收藏
点赞数
分类专栏： cs231n Stanford cs231n'18 课程及作业详细解读 文章标签： AI CNN cs231n
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FortiLZ/article/details/80813122
版权

Lecture 9 主要是讲了几个主流的CNN的实现。这几种CNN每一个拿出来都值得好好研究一番，所以这里泛泛的讲没有什么意义。大概看看就行了。

Lecture 9链接

FortiLZ
关注
专栏目录
【cs231n】lecture 9 CNN Architectures
Tra_cy的博客
11-09 1056
文章目录AlexNetZFNetVGGNet 这个专题主要介绍的是几种典型的CNN架构。 AlexNet 输入：227*227*3的图像矩阵。 第一层（CONV1）：96个步长为4，大小为11*11的卷积核，经过第一层后的输出大小为55*55*96，参数个数为11*11*3*96。 第二层（POOL1）：3*3的卷积核，步长为2，输出大小为27*27*96，池化层没有参数。 ZFNet 和Al...
cs231n lecture9 CNN Architectures
feitianlzk的博客
03-20 244
AlexNet CONV - MAXPOOL - NORM(not common) CONV - MAXPOOL - NORM CONV - CONV - CONV - MAXPOOL FC - FC - FC local response normalization VGG deeper (16-19layers) small filter (3x3 CONV stride...
cs231n 2018系列笔记（lecture9）
m0_37285185的博客
08-14 415
    lecture地址：https://pan.baidu.com/s/1ogacZy5QEFGv_DyLyk9r-A 密码：ff6s 这篇lecture主讲的是CNN的网络结构分析和变迁，比较详尽。 Alexnet 首先是Alexnet,2012年最佳 分析了CNN对于图片维度的改变，之前有提到过 王小花：cs231n 2018系列笔记(lecture5)​zhuanl...
CS231n: Lecture 9 | CNN Architectures Summary
KunBB的博客
09-28 758
Lecture 9主要讲了一些经典的、比较流行的网络结构，详细讲解了AlexNet、ZFNet、VGGNet、GoogleNet和ResNet。
笔记——CNN Architectures（cs231n 斯坦福计算机视觉公开课）
qq_25222187的博客
11-23 391
常见的 CNN Architectures LeNet-5 AlexNet  VGG GoogLeNet ResNet 一些计算： 全连接层、卷积、池化操作对于维度的改变： Fully Connected Layer：暴力拉平操作，不管原来是什么样的长*宽*深。 假设上图是一个分类神经网络的最后两层，该全连接层连接着输出层，输出层给出...
斯坦福CS231n - CNN for Visual Recognition（8）-lecture6学习率更新、超参数调优
zhili8866的博客
12-01 6842
本节主要讲了神经网络学习率退火和超参数调优等问题 学习率更新学习率衰减　　训练深度网络时，让学习率随着时间退火通常很有帮助。如果学习率很高，系统的动能就过大，参数向量就会无规律地跳动，不能够稳定到损失函数更深更窄的部分去。　　何时开始衰减学习率是有技巧的：缓慢减小它，可能很长时间内只能是浪费计算资源地看着它混沌地跳动，实际进展很少。而如果快速地减小它，系统可能过快地失去能量，不能到达原本可以到达的最
[CS231n Assignment 2 #04 ] 卷积神经网络(Convolutional Networks )
qq_41341454的博客
12-11 2010
文章目录作业介绍1. Convolution: Naive forward pass 作业介绍 课堂笔记：[Lecture 9 ] CNN Architectures（CNN架构） 作业主页：Assignment 2 作业目的：为了使深度神经网络更好的得到训练，一个方案是使用更复杂的优化方法：SGD+Momentum，Adam，RMSProp等。另一个方案就是改变网络结构，比如我们这节要完成的批量归一化。 官方示例代码： Assignment 2 code 作业源文件 ConvolutionalNetwo
Stanford cs231n'18 课程及作业详细解读
FortiLZ的博客
06-26 4311
Stanford
cs231n'18： Assignment 3 | RNN Captioning
FortiLZ的博客
07-06 2882
Assignment3 | RNN Captioning 这部分实际上做了两件事情，首先建立一个 RNN，然后以此 RNN 为基础，训练一个模型来完成图片 caption 的工作。我感觉作业中的代码先后顺序有些混乱，这里依照自己的理解，把内容重新组织一下。 Dataset train 和 val 使用的是 Coco2014，从打印出来的 data 信息来大概浏览一下数据的构成。 t...
cs231n'18： Assignment3 | Network Visualization
FortiLZ的博客
07-11 2488
Assignment3 | Network Visualization 在这里只解决与 NN 有关的问题，与 PyTorch 有关的问题，集中到另外的一个 project 专门学习。 Saliency Maps Saliency map 表示的是图片中的每一个像素对最终分类 score 的影响有多大。计算 saliency map 时，首先使用一个训练好的 model，计算出输入图片的对...
cs231n'18： Assignment 2 | FullyConnectedNets
FortiLZ的博客
06-28 2047
Assignment 2 | FullyConnectedNets gradient check函数的不同实现 到目前为止用到了三个gradient check函数，分别是：grad_check_sparse，eval_numerical_gradient，eval_numerical_gradient_array。 eval_numerical_gradient def eval...
cs231n'18：Assignment 2 | PyTorch
FortiLZ的博客
06-29 1779
Assignment 2 | PyTorch 初步介绍了一下 PyTorch，准备找个教程好好学习一下，以后以 PyTorch 为主了。
cs231n'18： Assignment 2 | Batch Normalization
FortiLZ的博客
06-27 1766
Assignment 2 | Batch Normalization 上文吐槽BN部分讲的太烂，2018年果然更新了这一部分，slides里加了好多内容，详见Lecture 6的slides第54到61页，以及Lecture 7的slides第11到18页，这里结合着原始论文和作业，把BN及其几个变种好好总结一下。 Batch Normalization Train 前面的作业中已...
cs231n'18： Assignment 2 | Dropout
FortiLZ的博客
06-29 1307
Assignment 2 | Dropout Dropout 就是在 train 的过程中随机的丢掉一部分连接，但是在 test 的时候使用全部的连接。这样做的好处是在 train 的时候引入一些随机性，在 test 的时候相当于用这些随机性进行了 ensemble。起到了 reg 的作用。 Inline Question 1: What happens if we do no...
cs231n'18： Assignment 3 | LSTM Captioning
FortiLZ的博客
07-08 978
Assignment3 | LSTM Captioning 上一节介绍了 Vanilla RNN，同 NN 一样，RNN 存在的最大的问题就是梯度消失。这是因为，RNN 中需要学习的参数在一个 time capsule 结束之后才会更新一次，而在同一个 time capsule 中，所有的时刻都会有 loss 产生，因此也都会有对于参数的梯度产生，最后参数更新时的梯度是所有这些梯度之和。梯度的计...
cs231n'18：Assignment 2 | TensorFlow
FortiLZ的博客
06-29 840
Assignment 2 | TensorFlow 感觉 TensorFlow 比 PyTorch 难上手多了，最受不了的是建 graph 的时候没法调试，必须把一个 session 跑起来才能看到数据的形状，这岂不是背离了 Python 写到哪运行到哪里的初衷？先暂时放弃 TensorFlow，主攻 PyTorch 去了。...
cs231n'18： Assignment3 | Style Transfer
FortiLZ的博客
07-12 830
Assignment3 | Style Transfer 所谓 style transfer，就是找一张原图，一张样式图，固定一个 CNN 模型，设计一种 loss 的计算方法，然后在 CNN 中 backprop 出 loss 对原图中每一个像素点的梯度，根据此梯度来更新原图中的每一像素的值。最后得到的图片既有原图的内容，又有样式图的风格。这里的核心问题是 loss 计算方法的设计。 C...
cs231n'18： Course Note 1
FortiLZ的博客
06-28 759
Image Classification: Data-driven Approach, k-Nearest Neighbor, train/val/test splits 关于KNN 首先讲Nearest Neighbor，然后扩展到KNN。就是将所有的training data映射到R维空间中，然后定义某种距离度量计算方法，比如L1、L2等等。然后将要predict的data依同样方法映...
2017年CS231n课程5：卷积神经网络介绍与历史
本资源是一份名为"cs231n_2017_lecture5.pdf"的文档，主要聚焦于深度学习中的一个重要概念——卷积神经网络(Convolutional Neural Networks, CNN)。课程由Fei-Fei Li、Justin Johnson和Serena Yeung教授，于2017年4...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值