七月在线-深度学习笔记
七月在线-深度学习笔记
TRI_SEVEN
这个作者很懒,什么都没留下…
展开
-
深度卷积神经网络原理与实践
写在前面回顾上一节课,我们明白,每个神经元做的工作就是 Wx+b , 那么这个W的尺寸就是:卷积核尺寸*图像深度。文章目录写在前面卷积网络的结构卷积网络的结构与常规的神经网络不同,ConvNet的神经元是三维排列的。输入层卷积层非线性变换层池化层全连接层感受野: 卷积核尺寸局部连接参数共享feature map = filter = neuron卷积层参数——Stride卷积操作后,图像尺寸减小,...原创 2020-07-16 10:03:30 · 732 阅读 · 0 评论 -
图像分类与检索
写在前面感受野的本质是,某一层特征图中的某一cell对应原始输入的响应大小区域。自底向上推导出原图中的响应。感受野可以告诉我们在某一层做的事受原始输入的影响有多大。比如语义分割会用到,对pixel的分类,要看pixel周围的pixel。文章目录写在前面关键问题:特征提取Bag-of-Visual-Words (词袋模型) for CVvisual object representation: Bag of visual wordsVisual Word = Local FeatureDeep Le原创 2020-07-16 10:01:11 · 410 阅读 · 0 评论 -
神经网络初步
目录第一课:神经网络初步与调参技巧神经网络和深度学习的动机一、线性分类器:数据D维 映射到 K类二、Softmax三、 交叉熵损失函数 Cross-Entropy Loss四、 Hinge Loss 折页损失五、 Regularization正则化六、 计算梯度七、优化神经网络的介绍一、 前向传递二、反向传播重点反向传播算法【核心】计算神经网络的调参总结第一课:神经网络初步与调参技巧神经网络和深度学习的动机深度学习的任务:给定大量数据,自动地学习有层次的特征。一、线性分类器:数据D维 映射到原创 2020-06-30 22:35:53 · 165 阅读 · 0 评论