![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
poilkj110
这个作者很懒,什么都没留下…
展开
-
理解深度卷积网络
1 如何分类猫和狗? 在Kaggle的Cat & Dogs比赛中,提供一系列有猫和狗标记的图像。训练集包含25000张关于狗和猫的图片,测试集包含12500图片。 图像有不同的分辨率,猫和狗有不同的形状,位置,颜色。可能坐着,可能开心或者伤心。猫可能睡觉狗可能在吠。 神经网络在分类图片时高效是其自动学习抽象的多层,其简化每个类别的特征。它们能识别具有极其丰富的模型,并对扭曲和地理转变具有鲁棒性原创 2017-11-30 20:39:30 · 482 阅读 · 0 评论 -
理解Hinton的Capsule Networks1
Capsule Networks架构1 卷积网络的缺点 对于CNN中当检测人脸时,通常检测出脸的轮廓,2个眼镜,一个鼻子和一个嘴巴就可以了。方向性和相关性空间关系对于CNN来说不重要。 那么CNN是如何工作的呢,CNN主要组成部分是卷积层,在图像像素中检测重要特征,最初几层学习检测简单特征例如边界盒颜色梯度,高层将结合简单特征到更复杂特征。最后密集层(全连接层)将结合高层特征输出分类预测。 一原创 2017-12-01 16:29:07 · 948 阅读 · 0 评论 -
手机端开发深度学习应用
第一步模型压缩 将深度学习模型应用到手机、嵌入式设备,我们应该减少模型内存封装,减少推断时间和减少能源使用。有许多方式解决这些问题,例如量子化,权重简直或者distilling 大模型到小模型. 本文使用在Tensorflow中的量子化工具压缩模型。缩减到8bit权重,没有提供额外的好处例如减少推断时间。时间甚至需要2倍,因为量子化工作对CPU没有优化。 量化模型参数: 1 将模型写入pro原创 2017-12-01 13:56:08 · 1561 阅读 · 0 评论 -
理解CapsuleNetwork2
what is a Capsule? 第一篇论文引入capsule的观点- “Transforming AutoEncoders”,其中一部分对于capsule的理解很重要: “不去在神经元的活动中力求视角不变性,使用单个标量输出来概括一个局部合伙的复制特征检测器,人造神经网络应该使用局部“capsule”来完成复杂的内部计算,并封装这些计算的结果到一个小的高度信息化的输出向量中。每个胶囊学习识原创 2017-12-01 21:43:27 · 464 阅读 · 0 评论 -
使用Keras做猫狗分类
本文介绍一个图像分类问题,目标是得到输入图像的类别。使用的方法是训练卷积神经网络,数据集包括上千张猫和狗的图像。 使用的框架是Keras库,数据集下载:这里写链接内容 1下载test_set 和training_set,其中有10000张图片。在training_set中包含两个子文件夹cats 和dogs, 每个都有8000张图片关于对应类别。在test_set文件夹中包含两个子文件夹cats原创 2017-12-20 14:13:43 · 5693 阅读 · 4 评论 -
8种神经网络架构
机器学习方法:不去手动编写程序对每个特定任务,我们首席大量样本,对给定输入确定正确的输出就行。机器学习算法利用这些样本得到一个程序就可以完成特定任务。1-Feed Forward Neural Networks 这是在实际应用中最常见的类型的网络。第一层是输入最后一层是输出。若超过多于一层的隐藏层,我们称为深度神经网络。计算一系列转换。在每一层的神经元的活动是上一层活动的非线性函数。2-循环网络原创 2018-01-09 21:23:46 · 2851 阅读 · 0 评论