liubin192837的博客

    上一篇文章对神经网络算法有了初步的理解，也为涉及重要的数学知识点。然而，进一步理解的的话我们需要理解卷积。     如果仅仅是为了理解卷积神经网络。大概的理解卷积是足够了的。但是本篇的目的是卷积神经的前沿和探索新的选择。做到这一点要很深入的理解卷积。    幸运的是，借助几个例子，卷积就能简单的呈现。从丢球来学习    设想从一定的高度丢球到地面，这仅仅是一维的运动。如果丢...

    随着分布式的交叉变小将收缩。   通过在动画中利用这一技巧，的确可以可视化的理解积。   使用这个方式，很多事情变得直观。　让我们考虑一个非概率的问题。卷积有时用在音频处理。比如可能使用带有连个尖峰，其他地方是零的函数来制造一个回声些效果。当有两个尖峰的函数滑动，第一个峰尖第一次到达，将添加到输出信号，紧跟者添加第二个到达的峰到输出信号。　更高维度的卷积　卷...

对应上面的问题：                                                                                                                  所以，一个不同权重联系每个输入与每个神经元的权重矩阵：                                          ...

    两个维度的卷积层如何呢？    两个维度的线路对应二维卷积。    考虑上面提到的查找图片边界的例子，通过滑动kernel函数将其应用到每个小块。像这样，一个卷积层将应用于图片的每个块。结论    这边文章介绍了不少数学机制，但是我们能够获得什么并不明显。在概率论和计算机图像学中卷积很有用，但是我们从基于卷积的神经网络中获取到什么呢？有理方式。    首先是我们有了...

新玩意总要尝一尝,结果耗了不少时间,总结下,防止大家再次踩坑正常步骤（pythong3）：sudo apt-get install python3-pip python3-dev sudo pip3 install --upgrade pip sudo pip3 install tensorflow具体坑点:32位数和64位系统的问题,据说32位不支持. 对于pip无法升级的情...