lushanghuafei的博客

图像语义分割传统图像分割方法:基于阈值的分割方法、基于区域的分割方法、基于聚类分割的方法、基于图论的分割方法FCN-32s的网络框架流程（1）FCN训练阶段与一般的卷积神经网络训练阶段一致。把分类图像缩放成固定大小输入卷积神经网络中进行学习训练，并保存训练结果。（2）修改卷积神经网络最后的全连接层为卷积层，并称其为FCN网络。（3）预测阶段会输入图像通过FCN网络，数据在FCN网络中向前...

基于回归的网络YPLO网络模型框架流程（1）将输入图像缩放成固定大小（如488488），并对其分割成SS个网络（2）原始图像经过CNN网络，知道卷积神经网络的第一层全连接层（FC1）（3）原图中每个网络负责预测B个Bounding-box，每个Bounding-box有4个位置信息和1个物体分类的概率。另外每个网络还负责预测C个分类，最终得到SS(B*5+C）大小的特征矩阵，并对特征矩阵进...

基于区域的网络R-CNN网络框架流程：（1）原始图像经过选择性搜索（SS）算法提取出约2000个候选区域框。（2）把所有候选框缩放到固定大小（如227*227）（3）候选框图像逐个通过CNN网络模型提取其特征。（4）使用SVM分类器对CNN提取的特征进行分类（5）通过线性回归算法对候选框位置进行微调（边框回归）。R-CNN不足：（1）重复计算量大，速度慢（2）训练阶段步骤繁琐（...

卷积神经网络能很好地适用于图像处理、语音识别等复杂感知任务。卷积神经网络的强大之处在于它的多层网络结构能自动学习输入数据的深层特征，不同层次的网络可以学习到不同层次的特征。浅层网络层感知区域较小，可以学习到输入数据的局部域特征（如图像的颜色、几何形状等）；深层网络层具有较大的感知域，能够学到输入数据中更加抽象的一些特征（如图像物体的属性、轮廓特点、位置信息等高维性质）。深层次的抽象特征对图像中...

数据集原始数据分为三部分：训练集、验证集、测试集（1）将数据分为训练集和测试集，比例可为8:2（2）将（1）中训练集继续分为训练集和验证集两部分，最终比例为：8:2:2.5（3）对训练集随机抽样为小集合，用来训练，并在验证集上记录性能（4）打散训练集、测试集、验证集中数据的排列方式，并重新训练。（5）从训练集中随机抽取80%的数据进行多次训练，把训练集中剩下的数据作为验证集，然后观察不...

损失函数用来评价网络模型输出的预测值和真实值之间的差异，损失值越小，网络模型的性能就越好。1.回归损失函数均方误差损失函数def mean_squared_error(y_true,y_pred):return np.mean(np.square(y_pred-y_true),axis=-1)平均绝对误差损失函数该函数是对数据的绝对误差求平均def mean_absolute_err...

激活函数的性质：（1）单调可微一般情况下，我们使用梯度下降算法更新神经网络中的参数，因此必须要求激活函数可微。如果函数时单调递增的，求导后函数必大于零（方便计算），因此需要激活函数具有单调性。（2）限制输出值的范围输入的数据通过神经元上的激活函数来控制输出数值的大小，该输出数值是一个非线形值。通过激活函数求得的数值，根据极限值来判断是否需要激活该神经元。（3）非线性因为线性模型的表达能...

本次血液检测项目只有链球菌x1和葡萄球菌x2两种，身体血液中对于不同的球菌组合会呈现不同的病原体（不同的病症）。现在假设有两个分类，分别是病原体I和病原体2，x轴表示链球菌的值，y轴表示葡萄球菌的值、在对本例中的数据归一化处理后，数据的分布集中在【-2,2】之间。我们的目标是通过训练一个3层的人工神经网络ANN模型（输入层、隐层、输出层），对给出不同血液检测项目（x1，x2）的数据进行分类判别该...

反向传播算法的精髓是：通过链式求导法则，求出网络模型中每个参数的导数反向传播算法的流程：输入、向前传播、输出层误差、反向传播误差输出。在训练阶段，反向传播算法的工作方式就是把数据传入神经网络，然后经过一次向前传播后，得到每一层的输出数据。接着开始从输出层往前计算每一层的误差，直到第一层（输出层）为止。最后根据每一层的误差数据计算每一个损失函数关于偏置和权重参数的偏导，而这个偏导就是网络中参数的...

CPU使用几个核心处理单元去优化串行顺序任务，而GPU的大规模并行架构拥有数以千计的更小的更高效的处理单元，用于处理多个并行小任务。但GPU的工作方式相对简单，不能完成复杂的逻辑工作，也缺少相应的指令集。而CPU拥有复杂的系统指令，能够进行复杂的任务操作个调度，两者是互补关系，不能相互代替。GPU是大规模并行架构，处理并行任务非常快，深度学习需要高效的矩阵操作和大量的卷积操作，GPU的并行架构非...

机器学习按照方法可以分为两大类:监督学习和无监督学习。其中监督学习主要由分类和回归等问题组成，无监督学习主要由聚类和关联分析等问题组成。深度学习属于监督学习的一种。机器学习中的监督学习是指使用算法对结构化或非结构化的有标注的数据进行解析，从数据中学习，获取数据中特定的结构模型，然后使用这些结构或者模型来对未知的新数据进行预测。人工智能与机器学习与深度学习的关系...

单向感知机对于x0，x1…xn-1 n个样本，y0，y1,…yn-1 是每个样本的标签，对于正样本来说，f（x）=1，负样本来说，f（x）=-1.Xi 属于Rn，为n维空间中的点，n维空间中的分割超平面是一个n-1维的子空间。对于一个二维平面来说，分割超平面为一条直线。设Xi=[x,y],W=[a0,b0],则wx+b=0表示一条直线。wx+b大于等于0时，为负样本，小于0时为负样本。此...