- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习 学习笔记（四）
通过举例对NMS算法进行验证，对数据集进行训练，先使用 ImageNet 数据集对前 20 层卷积网络进行预训练，然后使用完整的网络，在 PASCAL VOC 数据集上进行对象识别和定位的训练和预测，训练中采用了 drop out 和数据增强来防止过拟合。利用人脸验证实现人脸识别，对于训练完毕的神经网络，输入照片，通过简单的for 循环语句遍历数据库中存储的所有照片，依次通过相似度函数进行计算，记录遍历过程中相似程度最大的值，在遍历结束后与预先设定的阈值进行比较，得出预测结果，完成人脸识别。
2023-04-23 00:41:24
166
1
原创 神经网络与深度学习 学习笔记（三）
分析了构建残差网络的必要性。残差网络在普通网络的基础上，将浅层的激活项通过支路直接传向深层，克服深层神经网络中梯度消失的问题，为训练极深的神经网络提供便利。②介绍目标检测基本思想，根据目标图像首先设计滑动窗口解决方法对目标进行检测，针对滑动窗口法带来的问题，对方法进行改进——一步法，进一步减少出现目标的位置，而且将目标分类检测和定位问题合在一个网络里，将分类问题扩展为回归+分类问题。对每一个划分的图像进行向量化，针对不同分类数进行维数设定，同时针对多框一目标、一框多目标、多类目标和小目标问题进行向量设计。
2023-04-05 00:41:34
84
原创 神经网络与深度学习 学习笔记（二）
包括TensorFlow、Caffe、JAX、MXNet、Torch/PyTorch、PaddlePaddle、MMdetection等，由于pytorch上手简单、学习速度快，主要学习了pytorch的基本使用。PyTorch 是一个 Python 的深度学习库。它最初由 Facebook 人工智能研究小组开发 而优步的 Pyro 软件则用于概率编程。到目前 据统计已有 80 的研究采用 PyTorch 包括 Google。①pytorch的基本概念。
2023-03-26 23:42:55
49
原创 神经网络与深度学习 学习笔记（一）
本系列博客的写作目的是，按周总结HIT 2023春季学期研究生课程《深度学习与神经网络》的课程内容，以便对所学知识做梳理和分享。一、深度学习概述人工智能(Artificial Intelligence)： 是用机器去实现所有目前必须借助人类智慧才能实现的任务。其具体研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。在上世纪这个概念被提出之后，经历了不同分支的发展，而机器学习是人工智能的一个重要分支，是实现智能化的关键。其经典定义可被描述为：利用经验（数据集）来改善计算机系统的性能。
2023-03-20 00:25:17
83
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人