omnispace的博客

干货 | 你真的了解 Convolutional Neural Networks 么原创2016-01-11小S程序媛的日常程序媛的日常首先，先感谢大家支持我们周六推送的第一次线下活动：程序媛们一起去 Google 玩耍吧。现在距离报名截止还有几天时间，感兴趣的程序媛们千万不要错过这个非常好的机会啦。点击这里查看详细信息噢。回归正题，今天要跟大家分享的是

CIFAR代码组织代码分析cifar10_trainpycifar10pycifar10_evalpyReference根据TensorFlow 1.2.1，改了官方版本的报错。CIFAR想了解更多信息请参考CIFAR-10 page，以及Alex Krizhevsky写的技术报告相关核心数学对象，如卷积、修正线性激活、最大池化以及局部响应归一化；训练过

前言本文章的参考卷积神经网络应用于人脸识别，通过Tensorflow改写的代码。也通过自己的想法改动了一些代码。本文算是一个小小的demo吧，因为之前都是基础篇。而这个算是基于之前的基础学习做的demo。虽然本demo比较简单，但我觉得可以给大家一些启示。源码地址：https://github.com/Salon-sai/learning-tensorflow/tree/master/less

In the recent years, we have seen a rapid increase in smartphones usage which are equipped with sophisticated sensors such as accelerometer and gyroscope etc. These devices provide the opportunity f

Table of Contents:Architecture OverviewConvNet LayersConvolutional LayerPooling LayerNormalization LayerFully-Connected LayerConverting Fully-Connected Layers to Convolutional Layers

In the recent years, we have seen a rapid increase in smartphones usage which are equipped with sophisticated sensors such as accelerometer and gyroscope etc. These devices provide the opportunity for

早在学习数学分析时，我就已经接触过卷积的概念。然而，彼时年少，水平有限，没有完整地理解卷积的概念和精髓。这个遗憾一直持续至今。接触到卷积神经网络（Convolution Neural Network, CNN）之后，旧事重提般地，想要了解清楚卷积的冲动就愈发强烈，终至此文。这是一篇介绍性质的文章。文中的公式、动画效果限于网页的表现力，无法达至完美。本文有对应的 PDF 格式的幻灯片可供下载

Tensorflow 中的实现：点击查看Caffe 中的实现：点击查看1、概述Google在2017年提出的适用于手机端的神经网络模型主要使用了深度可分离卷积Depthwise Separable Convolution 将卷积核进行分解计算来减少计算量引入了两个超参数减少参数量和计算量宽度乘数（Width Multiplier）: [减少输入和输出的 channe

CS231n简介CS231n的全称是CS231n: Convolutional Neural Networks for Visual Recognition，即面向视觉识别的卷积神经网络。该课程是斯坦福大学计算机视觉实验室推出的课程。需要注意的是，目前大家说CS231n，大都指的是2016年冬季学期（一月到三月）的最新版本。课程描述：请允许我们引用课程主页上的官方描述如下。

前言：今天他给大家带来一篇发表在CVPR 2017上的文章。原文：LBCNN原文代码：https://github.com/juefeix/lbcnn.torch本文主要内容：把局部二值与卷积神经网路结合，以削减参数，从而实现深度卷积神经网络端到端的训练，也就是未来嵌入式设备上跑卷积效果将会越来越好。主要贡献：提出一种局部二值卷积（LBC)可以用来替代传统的卷积神经网络的卷积层

之前在文章《牛逼的深度卷积神经网络CNN》详细介绍了卷积神经网络的基本原理，以及常见的基本模型，如LeNet，VGGNet，AlexNet，ReseNet，Inception Net的基本结构和原理。今天主要总结一下，卷积神经网络家族中，不同类型的卷积方式以及它们各自的优点。为了简单起见，我们仅从2维的角度介绍。文末提供相关资料下载地址卷积基本概念首先，我们首先回顾一下卷积相关