- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习第五周课程总结
在训练过程中，YOLO 网络使用标注边界框来训练预测框的位置和类别概率，并通过置信度分数来评估每个预测框的可信度。NMS（Non-maximum Suppression，非极大值抑制）是一种目标检测中常用的算法，用于过滤重叠的预测框，并保留最佳的预测框。与传统的图像分割技术不同，语义分割不仅要将图像分割成不同的区域，而且还需要为每个像素分配一个语义标签，表示该像素所属的语义类别。因此，YOLO 网络的输出包括每个边界框的中心点坐标、宽度和高度，以及该边界框包含每个可能类别的概率。
2023-04-17 16:11:02
304
1
原创 神经网络与深度学习第四周课程总结
LeNet在数字手写体图像识别分类问题上取得了较好的成绩，但是受限于当时计算机的性能，并没有引起很多的关注。直到2012年，Alex等人提出的AlexNet网络（以作者的名字命名）在ImageNetILSVRC大赛上以远超第二名的成绩获得冠军，卷积神经网络乃至深度学习才真正引起了广泛的重视。ImageNet是一个大规模的图像数据集，其规模自从2009年问世以来仍然在不断的扩充。
2023-04-03 10:59:02
403
1
原创 神经网络与深度学习第三周总结
S2层（池化层）：S2层是LeNet-5中的第一个池化层，通过对C1层的特征图进行下采样操作，从而减少特征图的分辨率。损失函数（Loss Function）：卷积神经网络中的一种函数，用于评估模型预测结果与实际结果之间的差距，并且根据差距的大小来调整模型的参数。C3层（卷积层）：C3层是LeNet-5中的第二个卷积层，通过对S2层的特征图进行卷积操作，从而进一步提取特征。S4层（池化层）：S4层是LeNet-5中的第二个池化层，与S2层类似，通过对C3层的特征图进行下采样操作，进一步减少特征图的分辨率。
2023-03-26 21:49:48
148
原创 神经网络与深度学习第二周课程总结
RMSProp算法可以看作是Adagrad算法的改进版本，它引入了一种新的梯度缩放方式，使得模型能够更快地收敛，并能够应对一些特殊情况，例如大规模的数据集或非平稳的梯度方向。通过引入梯度的平方根平均值来缩放学习率，RMSProp算法可以减少梯度方向的变化，使得模型能够更快地收敛，并且在处理大规模的数据集时，该算法可以自适应地调整学习率，从而提高模型的稳定性。在训练过程中，通过反向传播算法来计算模型参数的梯度，然后根据梯度进行参数更新，以最小化损失函数，进而提高模型的预测能力。
2023-03-19 16:00:06
310
2
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