人工智能-个人理解
Python图像识别
这个作者很懒,什么都没留下…
展开
-
以AlexNet网络为例说明卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习)
https://www.cnblogs.com/touch-skyer/p/9150039.html分享一些公式计算张量(图像)的尺寸,以及卷积神经网络(CNN)中层参数的计算。以AlexNet网络为例,以下是该网络的参数结构图。AlexNet网络的层结构如下:1.Input: 图像的尺寸是2272273.2.Conv-1: 第1层卷积层的核大小11*11,96个核。步长(stride)为4,边缘填充(padding)为0。3.MaxPool-1: 池化层-1对Con原创 2020-07-29 18:05:14 · 2149 阅读 · 0 评论 -
tf.truncated_normal 详解
truncated_normal( shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)功能说明:产生截断正态分布随机数,取值范围为[ mean - 2 * stddev, mean + 2 * stddev ]****。参数列表:import tensorflow as tfimport matplotlib.pyplot as plt tn = tf.原创 2020-07-20 18:16:06 · 2506 阅读 · 2 评论 -
程序实现 dice coefficient损失函数
1.dice coefficient说明图像分割,目标检测中比较常用到dice coefficient。它的取值范围是0到1,越接近1说明模型越好。dice coefficient是像素级别的,真实的目标出现在某片区域A,你的模型预测的目标区域为B,那么dice coefficient就等于数学公式为:用图形象说明:2. 程序实现# -*- encoding: utf-8 -*-"""@File : @Time : 2020/7/20 17:15@Author : l原创 2020-07-20 17:16:50 · 2886 阅读 · 0 评论 -
全连接层经网络与全卷积神经网络的区别
一.全连接层:全连接层需要把输入拉成一个列项向量 ,如下图所示:比如你的输入的feature map是2X2,那么就需要把这个feature map 拉成4X1的列向量,如果你的feature map 的channels是3,也就是你的输入是3X2X2,也就是相当于有了12个像素点,你就需要把feature map 拉成12X1的列向量,这时候,再乘一个权重,这个权重要把12个像素点都包含进去,所以这个权重的矩阵形式应该是1X12,所以经过一个全连接层后的输出就是1X12X12X1=1X1,这时候需要原创 2020-07-06 18:06:32 · 2238 阅读 · 0 评论 -
矩阵运算
矩阵相乘最重要的方法是一般矩阵乘积。它只有在第一个矩阵的列数(column)和第二个矩阵的行数(row)相同时才有意义 。1.定义:设A为的矩阵,B为 的矩阵,那么称 的矩阵C为矩阵A与B的乘积,记作 。2. 运算结果:3.实例解释:58是如何得到的:1 * 7 = 72 * 9 = 183 * 11 = 337 + 18 + 33 = 58...原创 2020-07-05 19:36:34 · 373 阅读 · 0 评论