神经网络和深度学习
文章平均质量分 94
1024gcg
这个作者很懒,什么都没留下…
展开
-
神经网络和深度学习(二)——一个简单的手写数字分类网络
一个简单的手写数字分类网络接上一篇文章,我们定义了神经网络,现在我们开始手写体的识别。我们可以将识别手写数字这个问题划分为两个子问题,一,我们需要将一幅包含了许多数字的图像分解为一系列独立的图像,每一幅图像包含了一个数字。比如,我们需要把下图分解: 将该图分解为6幅独立的图像: 我们人可以很轻松的将其分开,但是计算机可不那么认为。一旦图片被分割后,程序需要将每个数字单独识别。因此,举个例原创 2017-08-18 17:04:40 · 20567 阅读 · 14 评论 -
神经网络和深度学习(一)——初识神经网络
神经网络和深度学习神经网络:一种可以通过观测数据使计算机学习的仿生语言范例深度学习:一组强大的神经网络学习技术神经网络和深度学习目前提供了针对图像识别,语音识别和自然语言处理领域诸多问题的最佳解决方案。传统的编程方法中,我们告诉计算机如何去做,将大问题划分为许多小问题,精确地定义了计算机很容易执行的任务。而神经网络不需要我们告诉计算机如何处理问题,而是通过从观测数据中学习,计算出他自己的解决方案原创 2017-08-15 19:18:17 · 84957 阅读 · 12 评论 -
神经网络和深度学习(三)——反向传播工作原理
反向传播算法工作原理在上一篇文章,我们看到了神经网络如何通过梯度下降算法学习,从而改变权重和偏差。但是,前面我们并没有讨论如何计算代价函数的梯度,这是一个很大的遗憾。这一篇文章,我们将介绍一种称为反向传播的快速计算梯度的算法。使用反向传播算法学习的神经网络比其他早期的方法要快很多,这使得使用神经网络可以解决之前不能解决的问题。如今,反向传播算法是神经网络中最重要的组成部分。你完全可以忽略反向传播算法原创 2017-08-29 16:57:19 · 5800 阅读 · 6 评论 -
Artistic style transfer for videos(译—视频的艺术风格迁移)
摘要过去,手工重绘一副艺术风格的图像需要专业的艺术家和很长的时间,重绘视频序列更是无法想象。现在使用计算机使其成为可能,我们提出了一种方法,将风格从一张图片转移到整个视频序列。我们利用最近静态图片风格转移的最新进展,并提出适用于视频的新初始化和损失函数。这使我们能够生成一致且稳定的风格化视频序列,即使在具有大运动和强遮挡的情况下也是如此。我们表明,所提出的方法在质量和数量上明显优于更简单的bas...原创 2019-02-27 19:45:21 · 2394 阅读 · 7 评论