【cs231n】lecture1

最新推荐文章于 2022-04-15 12:24:35 发布
最新推荐文章于 2022-04-15 12:24:35 发布
阅读量194 收藏
点赞数
分类专栏： cs231n学习笔记
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/Tra_cy/article/details/102540530
版权

目录

深度学习的发展

ImageNet

ImageNet项目是一个用于视觉对象识别软件研究的大型可视化数据库。ImageNet由将近1400万多的图片，分为22000类的物体或场景。

Large Scale Visual Recognition Challenge(大规模视觉识别竞赛)

2010年以来，ImageNet项目每年举办一次软件比赛，即ImageNet大规模视觉识别挑战赛（ILSVRC），软件程序竞相正确分类检测物体和场景。使用一个更为严格的测试集，包括1000种目标类别，1431167张图片。

卷积神经网络

2012年，CNN模型或者说深度学习展示了强大的模型容量和能力，在计算机视觉领域与其他领域都取得了进步。

Tra_cy
关注
专栏目录
cs231n_lecture 1_计算机视觉发展史及课程概述
ChuanjieZhu
02-26 1434
学期：2017 spring 老师：Fei-Fei Li & Justin Johnson & Serena Yeung声明：本系列文章资源主要来自斯坦福的cs231课堂内容，ppt，配套网站。加上本人的一些理解。第一节课主要是介绍计算机视觉发展史、课程内容以及考核方式。 我学习的课程是cs231n 2017 spring，这是斯坦福第三次开设这门课程。2016年春季的时候第一次开...
cs231n-Lecture12
sun1398的博客
06-29 359
CS231N–可视化和理解 一、概念定义： 可视化的方法可以让我们理解神经网络是如何工作的。不同层的神经网络结果如何，卷积核/滤波器起什么作用。 1. 可视化激活函数值 对激活函数的激活可以在激活值中找到对应的图片的轮廓。 神经网络实现 优化实现 2. 可视化卷积核/滤波器 CNN实现的是自动训练出不同类型的滤波器，取代以前的手工设定滤波器 第一层滤波器拥有不...
cs231n-Lecture1
sun1398的博客
06-27 480
CS231–Introduciton CV–深度学习–神经网络–卷积神经网络 - 计算机视觉是人工智能中发展最迅速的内容。 - 2016年思科估计80%的网络数据是像素数据，进入到一个信息爆炸的时代，原因：1、互联网载体；2、传感器–手机、摄像头 - 互联网暗物质–数据冗余，像素信息很难理解，就像银河系内的暗物质。 - YouTube服务器接受150h video/60s。人眼很...
CS231n系列之 Lecture1：Introduction
Felaim的博客
03-22 2072
实验室老师的要求，是要自己学习斯坦福大学的CS231n的课程，所以，准备做一系列用以记录自己学习的过程。下面的链接是第一节课的视频，ppt，以及字幕，但是字幕比较不好，很多错误，时间关系也就不进行更正了。 链接: https://pan.baidu.com/s/1c1DL9r6 密码: b3xf 链接: https://pan.baidu.com/s/1mhZPS6k 密码: n3wx 链接:
CS231n-lecture_1_feifei.pdf
07-20
CS231n 2020新版PPT 斯坦福大学AI女神李飞飞教授经典计算机课程CS231n: Convolutional Neural Network for Visual Recognition 用于视觉识别的卷积神经网络
cs231n Lecture1 学习笔记
sljinghua的博客
04-15 2554
other than （用于否定陈述后） 除了…以外; 嗅觉、听觉的神经网络和鼻子、耳朵的距离较近，但是视觉的神经网络却远离眼睛（大概是在脑后的位置）。视觉系统涉及到了整个大脑50%的神经元。 主要视觉皮层在做什么->深度学习的起始知识 but the movement of taking a slide out or putting a sliding did the excitement（让猫看幻灯片很少能激活神经元，但是幻灯片的切换却能够激活神经元），具体可参考 https://baike.b
cs231n lecture1 introduction
weixin_30588675的博客
08-02 59
mAP: mean average precision 转载于:https://www.cnblogs.com/lxc1910/p/11291479.html
CS231n Lecture 14 | Reinforcement Learning
KunBB的博客
10-12 935
Lecture 13主要讲解了无监督模型和生成模型，其中详细介绍了生成模型中的pixelRNN、pixelCNN、VAE、GAN等图像生成方法。 本博客与https://xuyunkun.com同步更新
CS231n Lecture10
qq_33669204的博客
12-10 238
Recurrent Neural Network Recurrent Neural Network的基本类别Recurrent Neural Network分析Image Captioning梯度消失和梯度爆炸 在复习时，老师提到了ResNet的优点：添加了L2范数之后，会使得所有参数趋于0，从而使模型舍弃不需要的层；反向传播时可以通过残差网络使模型更快收敛。 Recurrent Neural ...
CS231N_LECTURE
10-25
CS231N的笔记（PDF格式），方便一边看视频一遍对照，知乎貌似有中文的翻译
CS231n-lecture_1_ranjay.pdf
07-20
CS231n 2020新版PPT 斯坦福大学AI女神李飞飞教授经典计算机课程CS231n: Convolutional Neural Network for Visual Recognition 用于视觉识别的卷积神经网络
CS231n-lecture_9.pdf
07-20
CS231n 2020新版PPT 斯坦福大学AI女神李飞飞教授经典计算机课程CS231n: Convolutional Neural Network for Visual Recognition 用于视觉识别的卷积神经网络
CS231n-lecture_6.pdf
07-20
CS231n 2020新版PPT 斯坦福大学AI女神李飞飞教授经典计算机课程CS231n: Convolutional Neural Network for Visual Recognition 用于视觉识别的卷积神经网络
对卷积神经网络中卷积层、激活层、池化层、全连接层的理解
Tra_cy的博客
12-15 6658
文章目录卷积神经网络输入层卷积层激励层池化层全连接层 卷积神经网络 举一个卷积神经网络识别汽车的例子如下： 其中数据输入的是一张图片（输入层），CONV表示卷积层，RELU表示激励层，POOL表示池化层，Fc表示全连接层。 输入层 在图片输入到神经网络之前，一般在输入层进行图像处理，有以下三种常见的图像处理的方式： 均值化：把输入数据各个维度都中心化到0，所有样本求和求平均，然后用所有的样本减...
【cs231n】lecture 9 CNN Architectures
Tra_cy的博客
11-09 1078
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】lecture 3损失函数和优化
Tra_cy的博客
10-19 534
文章目录3.1 损失函数 3.1 损失函数 损失函数的概念理解： 图一，在线性分类中，W的每一行对应一个分类模板，它给出图片所属类别的可能的得分，得分越高说明该图片中的物体属于这一类别的可能性越大，因此我们需要选择一个分类效果最优的W，W来自于数据集的训练。 损失函数就是用来度量某个W好坏的，输入为W，得到一个得分，定量地估计W的好坏，这个函数即为损失函数。 数学公式表示： 上图中第一个公式为...
【cs231n】lecture 6 Training Neural Networks（上）
Tra_cy的博客
10-29 500
文章目录Part 1Activation Functions（激活函数）SigmoidtanhReLULeaky ReLUPReLUData Preprocessing（数据预处理）Weight Initialization（权重初始化）Batch Normalization（批量归一化）Badysitting the Learning Process（训练过程监控）Hyperparameter ...
【cs231n】lecture4 Backpropagation and Neural Network
Tra_cy的博客
10-23 216
文章目录反向传播 反向传播 本节内容：如何计算任何复杂函数的解析梯度，需要用到一个计算图的框架。 计算图：用图来表示任何函数，图中的节点表示我们要执行的每一步计算。例如下图：输入x和W，进行矩阵相乘得到一个得分向量，通过hinge loss计算Li，R计算一个正则项，最后的L是损失项和数据项的和。 利用计算图进行Backpropagation：反向传播是链式法则的递归调用。 第一步计算正向传播...
【cs231n】lecture 5 Convolutional Neural Network
Tra_cy的博客
10-25 213
文章目录卷积和池化视觉之外的卷积神经网络 卷积和池化 Fully Connected Layer（全连接层）: 上图中，输入为一张32323（展开即为3072的向量）的图片，和权值W进行点积，输出10个得分。 Convolution Layer（卷积层）： 卷积层和全连接层的区别是可以保全空间结构，输入32323的图片。不展开为一个长向量的形式，即可保存图片的结构。权重是一些小的卷积核，将卷积...
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