Deep Learing
文章平均质量分 68
对酒当鸽
这个作者很懒,什么都没留下…
展开
-
循环神经网络(RNN)入门
之前学习了卷积神经网络(CNN),在这里再简单介绍一下卷积神经网络的原理。一个典型的卷积神经网络为:输入 -> 卷积 -> RelU -> 池化 -> RelU -> 卷积 -> ... -> 池化 -> 全连接层 -> 输出对于CNN来说,并不是所有上下层神经元都能直接相连,而是通过“卷积核”作为中介。而通过max pooling等操作可以进...原创 2018-04-17 02:17:51 · 12401 阅读 · 0 评论 -
《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》阅读笔记
CNN:输入大小固定CNN的局限性之一是求固定输入的大小。操作过程当CNN应用于任意大小的图片时,有两种方法将输入图片转化为固定大小: 1. 剪裁(crop):由于剪裁的图片不可能包括整个物体,难免会造成信息的丢失 2. 扭曲(warp):可能会造成几何失真 因此,CNN的操作流程如下图所示: 原因CNN主要由两部分构成:卷积层以及全连接层。卷积层并不需要固...原创 2018-04-18 03:04:49 · 266 阅读 · 0 评论 -
深度学习的一些基础概念
这些概念根据之前博客给出的笔记进一步整理归纳图像分类篇最邻近分类器最邻近分类器,即 Nearest Neighbor 分类器,其实这个分类器跟卷积神经网络没有任何关系,实际中也极少使用。 原理:Nearnest Neighbor 算法将会拿着测试图片和训练集中每一张图片去比较,然后将它认为最相似的那个训练集图片的标签赋给这张测试图片。 比较两张图片的时候,会用到两种距离的计...原创 2018-05-09 11:11:34 · 1142 阅读 · 0 评论 -
《Show and Tell: A Neural Image Caption Generator》阅读笔记及相关知识
Image Caption 指的是自动从一张图片生成描述性语句,不仅能指出图片中包含的物体,而且能够表达图片中物体的相互关系、他们的属性以及他们共同参与的活动。 这有点类似于“看图说话”,但是对于机器来说却是一项很有挑战性的任务。因为机器不仅要能检查出图像中的物体,而且要理解物体之间的相互关系,最后还要用合理的语言表达出来。Encoder - Decoder在Image Caption...原创 2018-04-21 15:11:37 · 11235 阅读 · 2 评论 -
丢弃法(Dropout)
原文链接见 丢弃法(Dropout)—— 从零开始 在深度学习中,一个常用的应对过拟合(overfitting)问题的方法叫做丢弃法。概念在现代神经网络中,我们所指的丢弃法,通常是对输入层或者隐含层进行一下操作: 1. 随机选择一部分该层的输出作为丢弃元素 2. 把丢弃元素乘以0 3. 把非丢弃元素拉伸本质在集成学习里,我们可以对训练数据集有放回地采样若干次并分别训...转载 2018-04-21 17:01:05 · 4435 阅读 · 0 评论