台湾老李--卷积CNN

最新推荐文章于 2022-04-15 18:10:44 发布
最新推荐文章于 2022-04-15 18:10:44 发布
阅读量259 收藏
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34514046/article/details/81011878
版权

使用CNN处理图片的理由

1、局部特征


2、相同特征出现在不同区域


3、对图片进行下采样



卷积：每个过滤器检测一个小图案，过滤器的参数是网络要学习的参数


彩色图片过滤器是三层立体


参数共享：图片每个局部区域内共享过滤器的参数


池化：下采样减小图片尺寸


平坦化


各卷积层参数个数


每个滤波器激活程度的计算方式：121个数值求和


骑着蜗牛逛世界
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习-CNN-卷积神经网络-算法实现-CNN卷积神经网络Matlab实现
05-23
卷积神经网络（CNN）是深度学习中用于图像和视频分析的强大工具，完整的Matlab代码：提供了使用Matlab编写的完整卷积神经网络模型代码，包括前向传播、反向传播以及网络训练的各个步骤。 详细的代码注释：每段代码都...
pytorch-cnn-visualizations:卷积神经网络可视化技术的Pytorch实现
04-05
卷积神经网络可视化 该存储库包含许多在PyTorch中实现的卷积神经网络可视化技术。 注意：我删除了cv2依赖性并将存储库移至PIL。 有些事情可能会坏掉（尽管我测试了所有方法），如果在某些情况下无法解决问题，可以...
基于向量的表示方法TF-IDF和卷积神经网络(CNN)
05-07
1.基于向量的表示方法:这种方法将项目的内容转化为向量形式，...例如，可以利用卷积神经网络(CNN)或循环神经网络(RNN)处理图像或文本内容，提取出更高层次的特征表示。然后，可以根据这些特征表示为用户推荐新项目。
Matlab实现CNN-LSTM-Mutilhead-Attention卷积长短期网络多头注意力机制分类预测（完整源码和数据)
03-24
1.Matlab实现CNN-LSTM-Mutilhead-Attention卷积神经网络-长短期记忆网络融合多头注意力机制多特征分类预测，CNN-LSTM-Mutilhead-Attention。多头自注意力层 (Multihead-Self-Attention)：Multihead-Self-Attention...
资源下载CNN-LeNet-test - 卷积神经网络测试模型
最新发布
05-08
CNN_LeNet_test 是一个基于LeNet架构的卷积神经网络(CNN)测试模型，专为深度学习和图像识别任务设计。LeNet作为早期的卷积神经网络之一，已被广泛应用于手写数字识别等场景，是深度学习领域中的经典模型。 该测试...
台湾老李--autoencoder自编码降维
qq_34514046的博客
07-23 5369
编码解码同时进行 PCA 两边不一定对称（降到30维） 降到2维PCA不如自编码的效果 去燥自编码 文本检索的应用 相似图片搜索的应用 使用256的编码搜索比直接使用原图片搜索效果好 自编码在CNN的应用 反池化：记住原来的位置在补零，及反池化效果图 反卷积：其实就是卷积，重叠的部分加和，等号两边的权重颜色不一样 拓展学习：受限玻尔...
台湾老李--半监督学习(无标签数据远远大于有标签数据）
qq_34514046的博客
07-12 3446
1、生成模型的半监督学习最大期望2、低密度分离（非黑即白）3、光滑假设（近朱者赤，近墨者黑）相同类之间应该有数据过度，一般不存在鸿沟基于图的方法，计算光滑度...
CRF命名实体识别
qq_34514046的博客
04-15 2388
CRF 层可以向最终的预测标签添加一些约束，以确保它们是有效的。这些约束可以由 CRF 层在训练过程中从训练数据集自动学习。 CRF损失函数： Path Score Real = Emission score（发射分数） + Transition score（转移分数） Emission score：神经网络输出的各个Tag的置信度； Transition score：CRF层中各个Tag之前的转移概率；Preal path=escore 当只使用CRF做NER的时候规则都是人为制...
台湾老李--二分类模型逻辑回归（对比线性回归、交叉熵与平方误差、多分类softmax、生成与判别）
qq_34514046的博客
07-10 952
逻辑回归损失函数生成与判别样本不均衡时，生成模型出错生成模型的好处（一般认为判别优于生成）softmax多分类逻辑回归的局限（只用于二分类）把原始坐标转换到（0，0）和（1,1）的距离（特征转换）由此引出深层概念...
激活函数总结
qq_34514046的博客
02-22 772
激活函数就是给神经网络引入非线性的，以此来模拟复杂的非线性关系 sigmoid 容易出现梯度消失：导数接近为0.连乘会为0 函数输出并不是零中心化： Sigmoid函数的输出值恒大于0，这会导致模型训练的收敛速度变慢，训练深度学习网络尽量使用zero-centered数据 幂运算相对来讲比较耗时 软饱和：导数极限情况下为0 硬饱和：导数在确定数值为0 梯度消失问题至今仍然存在，但被新的优化方法有效缓解了，例如DBN中的分层预训练，Batch Normalization的逐层归一化，Xavie
台湾老李梯度下降 自适应学习率Adagrad
qq_34514046的博客
07-09 732
自适应学习率：用其前导数的均方根划分各参数的学习率随机梯度下降
HMM隐马尔科夫
qq_34514046的博客
03-17 631
一般将一个隐马尔可夫模型记为：【&,A,B】 初始状态概率&、 隐藏状态之间的转移概率A 隐藏状态到可观察状态的发射矩阵B 第一个问题：评估 三个盒子甲乙丙、盒子里有红黄蓝三种颜色的球，知道第一次取到三个盒子的概率&,盒子之间转移概率A、从每个盒子取到不同颜色球的概率B、求三次取球为红、红、蓝的概率 第二个问题：解码 三个盒子甲乙丙、盒子里有红黄蓝三种颜色的球，知道第一次取到三个盒子的概率&,盒子之间转移概率A、从每个盒子取到不同颜色球的概率B、且三次取球为红、
台湾老李--字嵌入word2vec
qq_34514046的博客
07-23 584
原来的表示方法无法看出各个词之间的关联关系 如何利用语境 1、基于基数 2、基于预测 使用共享参数延伸到和前面多个词相关 多种体系结构 字嵌入 当第一个词包含第二个词时，相减的结果应该相近 词的顺序不容忽视 ...
台湾老李--为什么高瘦网络比矮胖性能好
qq_34514046的博客
07-12 508
模块化需要更少参数语音和图像之前浅层方法需要大量特征工程，深度学习方法都是自动从数据中学习
HMM命名实体识别
qq_34514046的博客
04-14 501
齐次马尔可夫链假设 观测独立性假设 Y是隐藏状态序列：比如标注序列 X是观测状态序列：比如字符序列 三个元素： 初始状态概率：第一个位置为每个标注标签的概率矩阵 状态转移矩阵：上一位置标签到下一位置标签的转移概率矩阵MXM 发射矩阵：从每一个标签到字典中每个字符的映射矩阵MXN（M为Y的标签个数，N为X的字典字符个数） 实际计算时，也是根据训练数据中频率==概率（最大似然计算） 维特比算法核心：在每一时刻,计算当前时刻落在每种隐状态的最大概率，并记录这个最大概率是从前一时刻哪个隐状态转..
交叉熵损失函数
qq_34514046的博客
02-09 434
交叉熵作为损失函数还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题，因为学习速率可以被输出的误差所控制 交叉熵损失函数原理详解_Cigar-CSDN博客_交叉熵损失函数 损失函数：交叉熵详解 - 知乎 损失函数｜交叉熵损失函数 - 知乎 交叉熵损失函数 - 一只小白白 - 博客园 交叉熵损失函数 - 简书 交叉熵--损失函数 - 扰扰 - 博客园 交叉熵损失函数详解 - 程序员大本营 ...
台湾老李--GAN生成对抗网络（基础）
qq_34514046的博客
07-23 391
像素RNN 变化的自动编码 RNN输入是可变的 生成精灵宝贝：三元素生成的太单调，聚类多种颜色 VAE:分两步，最小化重建误差，最小化 生成精灵宝贝 写诗 GAN 蝴蝶和天敌在同时进化 生成模型的输出作为鉴定器的输入 GAN有很多变形和应用，这里简略  ...
台湾老李--半监督学习
qq_34514046的博客
07-23 358
无标签数据一般远远大于有标签数据 转导学习：未标记数据是测试数据 归纳学习：未标记数据不是测试数据 生成的半监督学习模型 低密度分离假设 光滑假设 更好的表现 监督生成模型：先验概率和条件概率求后验概率 半监督生成模型：无标签的数据有助于进一步矫正决策边界 低密度分离（非黑即白）   光滑假设(近朱者赤近墨者黑） ...
POP-CNN：卷积神经网络提升气味愉悦度预测
本文主要探讨了"POP-CNN: 使用卷积神经网络预测气味宜人性"这一创新方法，它旨在通过电子鼻技术简化气味评估过程，尤其是在香水制造和环境监测领域中，这具有显著的实际应用价值。传统上，预测气味愉悦度的算法依赖...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值