DL ML CNN 相关的经验之谈

最新推荐文章于 2024-06-25 10:05:15 发布
最新推荐文章于 2024-06-25 10:05:15 发布
阅读量496 收藏 1
点赞数
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/farphone/article/details/88110832
版权

1，CNN：目前最合适的卷积层数：20～25层

http://vlg.cs.dartmouth.edu/c3d/

https://www.microsoft.com/en-us/research/publication/msr-vtt-a-large-video-description-dataset-for-bridging-video-and-language/?from=http%3A%2F%2Fresearch.microsoft.com%2Fapps%2Fpubs%2Fdefault.aspx%3Fid%3D264836

numpy pandas matplotlib scipy sympy pylab

http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial

scikit-learn

http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html

https://www.zhihu.com/question/38102762

http://vis-www.cs.umass.edu/lfw/results.html

模型准确性

http://kyonhuang.top/Andrew-Ng-Deep-Learning-notes/

notes

https://scipy.github.io/old-wiki/pages/PyLab 

https://docs.scipy.org/doc/numpy/user/quickstart.html

tensorflow scipy

 

https://blog.csdn.net/qq_22749699/article/details/78526147

face net

https://blog.csdn.net/u014380165/article/details/78906898

MTCNN算法

http://people.duke.edu/~ccc14/pcfb/analysis.html

Practical Computing for Biologists

 

  1. Maths:
    1. Linear algebra
    2. Probability and statistics
    3. Numerical optimization
    4. Calculus
  2. Image processing: or generally digital signal processing.
    1. Digital filters: Gaussian blur
    2. Image transformations: rotations, translations, scaling and many more.
    3. Scale space theorem for natural stimuli processing. Basically implemented using image pyramids, the so called multi-scale approach.
  3. Machine learning (ML): A very important area that is changing many AI sub-fields. You need to know about:
    1. Convolutional neural networks (CNN).
    2. Fully connected neural networks.
    3. Support vector machines (SVM)
    4. Recurrent neural networks (RNN) such as long-short-term-memory (LSTM) or gated recurrent unit (GRU) networks.
    5. Generative adversarial networks (GAN): For many tasks like image-to-image translation. Image enhancements, art style transfer and so on.
    6. Autoencoders: For noise reduction and image compression.
  4. Programming:
    1. C/C++: You can use OpenCV for CV implementations or build your own from scratch using C/C++.
    2. Java: OpenCV is also available in Java.
    3. Python: You can again use OpenCV in Python language. Probably this is a better choice as Python is a very high-level easy to learn language.

 

aenjon
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
DL-CNN 总结ppt
09-08
DL-CNN 总结ppt 本文总结了DL-CNN的三个基本概念：局部感知域、共享权重和池化，并对每个概念进行了详细的解释。 局部感知域（Local Receptive Fields） 局部感知域是指神经网络中，某个神经元仅仅与输入信号的...
DL Toolbox CNN部分
11-17
本资源是Deeplearn Toolbox中关于CNN部分的代码（7个.m文件），加上data和util两个文件夹，其中data文件夹中有mnist_uint8.mat文件，而util文件夹中则提供所需要的函数（如sigm，expand）的.m文件。 要成功运行此...
ML算法（四）——CNN原理
qq_54627325的博客
09-05 335
卷积神经网络应用领域包括检测任务、分类与检索、超分辨率重构、医学任务、无人驾驶、人脸识别等。 卷积网络与传统网络的区别： CNN新增了卷积层和池化层，连接顺序是"卷积层-RELU-（池化层）" 全连接，Affine层跟着激活函数RELU层或SIGMOID层，最后由Softmax层输出最终结果概率 整体架构：输入层、卷积层、池化层、全连接层 输入层（input layer）： 1.数据预处理 2.常见预处理方式：a.数据标准化，将数据按比例缩放，常用的方法是Z-Score标准化，用...
ML——CNN
weixin_42633401的博客
07-09 139
这就导致了tanh特征相差明显时的效果会很好，在循环过程中会不断扩大特征效果显示出来，但有是，在特征相差比较复杂或是相差不是特别大时，需要更细微的分类判断的时候，sigmoid效果就好了。 还有一个东西要注意，sigmoid 和 tanh作为激活函数的话，一定要注意一定要对 input 进行归一话，否则激活后的值都会进入平坦区，使隐层的输出全部趋同，但是 ReLU 并不需要输入归一化来防止它们达到饱和。 原文链接：https://blog.csdn.net/yjl9122/article/details/7
多层感知器（MLP）和卷积神经网络（CNN）
最新发布
ATTCG的博客
06-25 522
最常见的操作是算术平均值，但沿feature map维数求和和使用最大值也是常见的。MLP和CNN是神经网络中两种重要的前馈网络模型，它们在结构和应用上有着不同的侧重点。虽然它们都基于相同的原理，但它们在设计和应用上有着不同的侧重点，分别适用于不同的任务。在每次卷积中，通道维数的大小都会增加，因为通道维数是每个数据点的特征向量。理解每种神经网络层对输入数据张量的大小和形状的影响,对于深入理解模型的行为至关重要。这个CNN模型使用了一系列的1D卷积层,提取了字符级的特征,最后接一个全连接层得到分类结果。
【李宏毅ML笔记】19 CNN
wffzxyl的博客
03-06 1269
CNN常被用于影像处理上，也可以用一般的Network来处理影像。输入为图像转换而来的pixcel，输出可能为1000个类别，每一个neuro可以看做是一个classifier，层层进一步的判断当前是否是某种线条，纹理，图像片段等等，来做识别。问题：当使用fully connected Network时，总会需要太多的参数。如100*100，彩色图像会有100*100*3个维度的图像，假设第一层h...
ML_05 CNN
w317672256的博客
07-27 101
卷积的公式 要逆转一下然后点乘 卷积后的图像大小 同时如果我们在mm大小的图像用nn的卷积核之后会得到（m+n-1）平方大小的图像 Faltung anschaulich 卷积后图像看上去确实没什么变化，会把重要特征都保留下来 缺少一个图 为什么要用CNN 用KNN的话就会需要很多的w 100个像素点的话每一个Neuron在第一层就会有100个w。50个Neuron的话就5000个w，而且不是每个...
DL ML AI
oPerform的专栏
02-10 364
1.c++ python 2,图像处理 3.NIPS/ECCV/ICCV/CVPR 4.OpenCV开发； 5.深度学习库Caffe、Tensorflow、Matconvnet、CNTK，精通Caffe优先； 6.熟悉深度学习模型如：CNN、RNN、LSTM、Attention Model等； 7.熟悉目标检测框架SSD、Yolo2、Faster-RCNN等； 8.深刻理解深度学习网...
dl-cnn-covid
03-21
标题“dl-cnn-covid”很可能指的是一个使用深度学习（Deep Learning）中的卷积神经网络（Convolutional Neural Network, CNN）技术处理COVID-19相关数据的项目。描述中的同样文字表明这是一个专注于该主题的特定研究...
DL notes 04: CNN基础和经典CNN模型
01-06
二维互相关运算：二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，...
klever:云原生MLDL平台
04-22
Klever是用于机器学习工作负载的云原生平台。 它可以帮助用户训练，分发，管理和服务其机器学习模型。 Klever建立在许多最新的开源项目（例如 ， 等）的基础上。 其当前组件为： ：一个CLI和一个库，可帮助用户管理...
李宏毅ML-卷积神经网络CNN
lele_ne的博客
01-24 595
卷积神经网络 CNN
DL\ML--深度学习之BN算法（Batch Normailization)--概念题（1）
qq_33948796的博客
09-08 875
概念题（1）
[转载]AI相关的学习资源一（包括DL ML CV等很多）
洋葱水墨
09-29 672
 注：转载于http://blog.csdn.net/augusdi/article/details/20238157 [转载]AI相关的学习资源一（包括DL ML CV等很多） 最近学习机器学习以及deep learning等找到的资料，特转载与大家分享，也能预防弄丢难找。
初学CNN from Hung-yi Lee 's ML
heheSakura的博客
11-27 1005
久违的学习笔记，在周围大佬们的陪（压）伴（力）下，不得不给自己学习的压力啊！ 周五就要做报告了，得赶快写点笔记、总结。前面几课笔记周五补上，给自己挖个坑，记得填。 废话不说，拿出朕的小本本开写。 CNN（Convolutional Neural Network）卷积神经网络 听名字就觉得很吓人，卷积什么的！1. What’s CNN?1.1 CNN定义定义1. 一种专门用来处理类似网格结构的数据的
DL&ML基础学习一
olu
09-09 1515
神经网络中常用的激活函数sigmoid，tanh等，第一次听到sigmoid函数是在逻辑回归的部分，实际从该角度看神经网络是高级的分类模型，而逻辑回归也是为了分类目标，他们可以使用相同的loss function，而神经网络则是即为灵活的模型，模型自身结构可以变化，参数设定可以变，单元之间的机制可以改变，使用的激活函数、损失函数可以变化等等。激活函数是为了引入非线性性质，进行非线性分类。sigmo
ML/ DL/CV 一些常见的问题的小tips
none
08-27 1050
深度网络的过拟合问题讨论
各大论文数据集详解
热门推荐
missgrass的博客
11-08 1万+
MSR-VTT 论文名称 ： MSR-VTT: A Large Video Description Dataset for Bridging Video and Language 这是一个新的大型视频理解基准，特别是视频文本翻译的新兴任务。 这是通过从一个商业视频搜索引擎收集257个热门查询来实现的，每个查询包含118个视频。在目前的版本中，MSR-VTT提供了10K个网络视频片段，总计41.2小时，200K个片段-句子对，涵盖了最全面的类别和多样化的视觉内容，代表了最大的句子和词汇数据集。每一段视频都由1
视频文本描述数据集
m0_51193993的博客
03-07 1051
视频文本描述公开数据集。
ml和dl底层逻辑一样吗
08-08
机器学习（ML）和深度学习（DL）在底层逻辑上有一些相似之处，但也存在一些重要的区别。 首先，ML和DL都属于人工智能（AI）的领域，它们都涉及使用算法来使计算机系统具有学习和预测能力。它们的目标都是通过从数据中学习模式和规律来使计算机能够进行预测和决策。 在底层逻辑上，ML和DL都需要数据作为输入以进行训练。它们使用这些数据来建立数学模型，并使用优化算法来调整模型参数，以使模型能够更好地拟合数据。在训练过程中，它们都有一个损失函数来衡量模型的预测与实际结果之间的差异。 然而，DL相对于传统的ML有一些重要的区别。DL侧重于使用深层神经网络来学习数据中的复杂特征和模式。深层神经网络由多个神经元层组成，每一层都通过非线性的激活函数将输入转换为输出。这种多层次的结构使得DL能够处理更复杂的问题，例如图像和语音识别。 相比之下，传统的ML方法更多地依赖于特征工程，即手动提取和选择有用的特征来作为输入。传统的ML方法通常使用的是浅层模型（如线性回归、支持向量机等），这些模型在处理复杂问题时可能表现不佳。 总之，ML和DL在底层逻辑上有一些共同之处，都使用数据进行训练和预测。然而，DL通过使用深层神经网络来处理更复杂的问题，相对于传统的ML方法更具有优势。
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