【深度学习】卷积神经网络识别猫和狗

最新推荐文章于 2024-05-19 00:26:29 发布
最新推荐文章于 2024-05-19 00:26:29 发布
阅读量876 收藏 3
点赞数
分类专栏： 深度学习 文章标签： 深度学习 卷积神经网络 卷积神经网络识别猫和狗
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_38883271/article/details/107522995
版权

原本想用keras的cifar10数据集，但是load_data()的过程太慢了，于是自己各找了猫和狗的10张RGB照片，并且通过opencv将图片全部压缩成32x32尺寸的图像，然后猫和狗各有7张图像用来训练卷积神经网络，剩余的各自3张用来进行测试，测试结果的高低很大程度上取决于训练集，如果训练集图像（指32x32尺寸）分辨率较高，卷积神经网络参数设置合理，最终测试结果的accuracy也会较高。

import os
import cv2 as cv
import numpy as np
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flatten

train_path = "E:/python/train_image/"
x_train, x_test = np.array([]), np.array([])
y_train, y_test = [], []

for dirname in os.listdir(train_path):
    subfolder = os.path.join(train_path, dirname)
    if not os.path.isdir(subfolder):
        continue
    label = subfolder[subfolder.rfind('/')+1:]
    for filname in [x for x in os.listdir(subfolder) if x.endswith('.jpg')][:-3]:
        filepath = os.path.join(subfolder, filname)
        image = cv.imread(filepath)
        if len(x_train) == 0:
            x_train = image
        else:
            x_train = np.append(x_train, image, axis=0)
        y_train.append(int(label))
    for filname in [x for x in os.listdir(subfolder) if x.endswith('.jpg')][:-4:-1]:
        filepath = os.path.join(subfolder, filname)
        image = cv.imread(filepath)
        if len(x_test) == 0:
            x_test = image
        else:
            x_test = np.append(x_test, image, axis=0)
        y_test.append(int(label))

x_train = x_train.reshape(-1, 32, 32, 3)
y_train = np.array(y_train).reshape(-1, 1)
x_test = x_test.reshape(-1, 32, 32, 3)
y_test = np.array(y_test).reshape(-1, 1)

model = Sequential()
model.add(Convolution2D(
    filters=128,  # 滤波器的深度
    kernel_size=3,   # 滤波器的尺寸
    strides=(2, 2),  # 滤波器步长
    padding='same',  # 使用全0填充
    input_shape=(32, 32, 3)   # 输入图像的尺寸
))
model.add(Activation('relu'))
model.add(MaxPooling2D(
    pool_size=(2, 2),   # 过滤器尺寸
    strides=(2, 2),     # 过滤器步长
    padding="same",     # 使用全0填充
))
model.add(Convolution2D(
    filters=512,
    kernel_size=3,
    strides=(2, 2),
    padding='same'
))
model.add(Activation('relu'))
model.add(MaxPooling2D(
    pool_size=(2, 2),
    strides=(2, 2),
    padding='same'
))

model.add(Flatten())
model.add(Dense(150))
model.add(Activation('relu'))

model.add(Dense(64))
model.add(Activation('relu'))

model.add(Dense(1))
model.add(Activation('sigmoid'))

adam = Adam(lr=1e-4)  # 优化器

model.compile(optimizer=adam, loss='binary_crossentropy',
              metrics=['accuracy'])
print("Training-------------")
model.fit(x_train, y_train, epochs=50, batch_size=8)
model.save("model.h5")
print("Testing--------------")
model.evaluate(x_test, y_test)   # 评估测试集

import netron
import time

netron.start("model.h5")
time.sleep(60)
netron.stop()

在这里插入图片描述

Training-------------
Train on 14 samples
Epoch 1/50

 8/14 [================>.............] - ETA: 0s - loss: 2.7746 - accuracy: 0.3750
14/14 [==============================] - 1s 70ms/sample - loss: 6.2369 - accuracy: 0.4286
Epoch 2/50

 8/14 [================>.............] - ETA: 0s - loss: 4.2485 - accuracy: 0.6250
14/14 [==============================] - 0s 2ms/sample - loss: 4.5432 - accuracy: 0.5000
Epoch 3/50

 8/14 [================>.............] - ETA: 0s - loss: 4.0494 - accuracy: 0.5000
14/14 [==============================] - 0s 2ms/sample - loss: 5.5636 - accuracy: 0.5000
Epoch 4/50

 8/14 [================>.............] - ETA: 0s - loss: 5.4888 - accuracy: 0.5000
14/14 [==============================] - 0s 2ms/sample - loss: 3.2356 - accuracy: 0.6429
Epoch 5/50

 8/14 [================>.............] - ETA: 0s - loss: 0.5092 - accuracy: 0.8750
14/14 [==============================] - 0s 2ms/sample - loss: 0.8744 - accuracy: 0.7143
Epoch 6/50

 8/14 [================>.............] - ETA: 0s - loss: 0.7912 - accuracy: 0.6250
14/14 [==============================] - 0s 2ms/sample - loss: 0.8014 - accuracy: 0.7143
Epoch 7/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0634 - accuracy: 1.0000
14/14 [==============================] - 0s 2ms/sample - loss: 0.0374 - accuracy: 1.0000
Epoch 8/50

 8/14 [================>.............] - ETA: 0s - loss: 1.2174 - accuracy: 0.6250
14/14 [==============================] - 0s 5ms/sample - loss: 1.1611 - accuracy: 0.7143
Epoch 9/50

 8/14 [================>.............] - ETA: 0s - loss: 0.2479 - accuracy: 0.7500
14/14 [==============================] - 0s 4ms/sample - loss: 0.2071 - accuracy: 0.7857
Epoch 10/50

 8/14 [================>.............] - ETA: 0s - loss: 0.4790 - accuracy: 0.7500
14/14 [==============================] - 0s 4ms/sample - loss: 0.2934 - accuracy: 0.8571
Epoch 11/50

 8/14 [================>.............] - ETA: 0s - loss: 0.5325 - accuracy: 0.7500
14/14 [==============================] - 0s 4ms/sample - loss: 0.3047 - accuracy: 0.8571
Epoch 12/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0053 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0086 - accuracy: 1.0000
Epoch 13/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0148 - accuracy: 1.0000
14/14 [==============================] - 0s 4ms/sample - loss: 0.0567 - accuracy: 1.0000
Epoch 14/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0726 - accuracy: 1.0000
14/14 [==============================] - 0s 4ms/sample - loss: 0.0530 - accuracy: 1.0000
Epoch 15/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0219 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0129 - accuracy: 1.0000
Epoch 16/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0035 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0032 - accuracy: 1.0000
Epoch 17/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0077 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0050 - accuracy: 1.0000
Epoch 18/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0142 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0102 - accuracy: 1.0000
Epoch 19/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0026 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0160 - accuracy: 1.0000
Epoch 20/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0200 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0120 - accuracy: 1.0000
Epoch 21/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0083 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0050 - accuracy: 1.0000
Epoch 22/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0034 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0022 - accuracy: 1.0000
Epoch 23/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0012 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0012 - accuracy: 1.0000
Epoch 24/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0012 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0013 - accuracy: 1.0000
Epoch 25/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0014 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0014 - accuracy: 1.0000
Epoch 26/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0023 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0016 - accuracy: 1.0000
Epoch 27/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0024 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 0.0017 - accuracy: 1.0000
Epoch 28/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0023 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0017 - accuracy: 1.0000
Epoch 29/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0017 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0016 - accuracy: 1.0000
Epoch 30/50

 8/14 [================>.............] - ETA: 0s - loss: 6.2760e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0014 - accuracy: 1.0000
Epoch 31/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 0.0012 - accuracy: 1.0000
Epoch 32/50

 8/14 [================>.............] - ETA: 0s - loss: 0.0010 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 9.9372e-04 - accuracy: 1.0000
Epoch 33/50

 8/14 [================>.............] - ETA: 0s - loss: 7.8073e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 8.1067e-04 - accuracy: 1.0000
Epoch 34/50

 8/14 [================>.............] - ETA: 0s - loss: 8.8727e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 6.7693e-04 - accuracy: 1.0000
Epoch 35/50

 8/14 [================>.............] - ETA: 0s - loss: 3.6186e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 5.5756e-04 - accuracy: 1.0000
Epoch 36/50

 8/14 [================>.............] - ETA: 0s - loss: 5.6546e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 5.2924e-04 - accuracy: 1.0000
Epoch 37/50

 8/14 [================>.............] - ETA: 0s - loss: 4.4337e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 4.7293e-04 - accuracy: 1.0000
Epoch 38/50

 8/14 [================>.............] - ETA: 0s - loss: 5.0067e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 4.5354e-04 - accuracy: 1.0000
Epoch 39/50

 8/14 [================>.............] - ETA: 0s - loss: 3.5557e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 4.3209e-04 - accuracy: 1.0000
Epoch 40/50

 8/14 [================>.............] - ETA: 0s - loss: 6.1665e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 4.3509e-04 - accuracy: 1.0000
Epoch 41/50

 8/14 [================>.............] - ETA: 0s - loss: 4.3153e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 4.2858e-04 - accuracy: 1.0000
Epoch 42/50

 8/14 [================>.............] - ETA: 0s - loss: 4.4910e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 4.1878e-04 - accuracy: 1.0000
Epoch 43/50

 8/14 [================>.............] - ETA: 0s - loss: 6.1976e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 4.0962e-04 - accuracy: 1.0000
Epoch 44/50

 8/14 [================>.............] - ETA: 0s - loss: 2.6165e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 3.9148e-04 - accuracy: 1.0000
Epoch 45/50

 8/14 [================>.............] - ETA: 0s - loss: 5.2283e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 3.8340e-04 - accuracy: 1.0000
Epoch 46/50

 8/14 [================>.............] - ETA: 0s - loss: 2.6304e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 3.6081e-04 - accuracy: 1.0000
Epoch 47/50

 8/14 [================>.............] - ETA: 0s - loss: 2.1692e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 3.4774e-04 - accuracy: 1.0000
Epoch 48/50

 8/14 [================>.............] - ETA: 0s - loss: 4.3629e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 6ms/sample - loss: 3.4183e-04 - accuracy: 1.0000
Epoch 49/50

 8/14 [================>.............] - ETA: 0s - loss: 3.1372e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 3.2572e-04 - accuracy: 1.0000
Epoch 50/50

 8/14 [================>.............] - ETA: 0s - loss: 3.0660e-04 - accuracy: 1.0000
14/14 [==============================] - 0s 5ms/sample - loss: 3.1543e-04 - accuracy: 1.0000
Testing--------------

6/1 [====================================================================================================================================================================================] - 0s 32ms/sample - loss: 0.8873 - accuracy: 0.6667
Legolas~
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
猫狗图片识别（卷积神经网络（CNN）详解）
Sheenky的博客
06-14 6112
一、模型设计（1）卷积神经网络认识1，输入层（必须）。输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表了一张图片的像素矩阵。比如在上图中最左侧的三维矩阵就是可以代表一张图片。其中三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道（channel）。比如黑白图片的深度为1，而在RGB色彩模式下，图像的深度为3。从输入层开始，卷积神经网络通过不同的神经网络结构将上一层的三维矩阵转化为下一层的三维矩阵，直到最后的全连接层。2，卷积层（视情况而定）。从名字就可以看出，卷积层是一
深度学习卷积神经网络的猫狗分类
06-17
"深度学习卷积神经网络的猫狗分类"是一个典型的计算机视觉问题，它旨在通过训练一个模型来区分图片中的猫和狗。在这个项目中，我们使用了开源的机器学习框架Tensorflow来构建和训练我们的模型。 Tensorflow是Google...
卷积神经网络-猫狗识别（附源码）
m0_63223213的博客
01-17 1万+
利用python实现一个卷积神经网络，训练猫狗数据集，实现对猫狗图片的预测识别
深度学习03-卷积神经网络(CNN)
liaomin416100569的专栏
05-12 3万+
CNN，即卷积神经网络（Convolutional Neural Network），是一种常用于图像和视频处理的深度学习模型。与传统神经网络相比，CNN 有着更好的处理图像和序列数据的能力，因为它能够自动学习图像中的特征，并提取出最有用的信息。CNN 的一个核心特点是卷积操作，它可以在图像上进行滑动窗口的计算，通过滤波器（又称卷积核）和池化层（Max Pooling）来提取出图像的特征。卷积操作可以有效地减少权重数量，降低计算量，同时也能够保留图像的空间结构信息。
BP算法（CNN卷积神经网络）猫狗识别检测Python-博文
最新发布
m0_65146002的博客
05-19 884
BP算法，全称为反向传播算法（Backpropagation），是训练人工神经网络，尤其是多层感知机（MLP）的一种高效方法。在卷积神经网络（Convolutional Neural Network, CNN）中，BP算法同样发挥着核心作用，用于优化网络权重，从而提高模型在特定任务上的表现，例如图像分类任务，如猫狗识别项目。猫狗识别项目是一个典型的计算机视觉任务，旨在通过分析图像数据，自动区分图片中的动物是猫还是狗。
【深度学习】一文搞懂卷积神经网络（CNN）的原理（超详细）
AI_dataloads的博客
09-24 10万+
在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。上图这个绿色小窗就是数据窗口。简而言之，卷积操作就是用一个可移动的小窗口来提取图像中的特征。
卷积神经网络（CNN）详细介绍及其原理详解
热门推荐
IronmanJay的博客
01-14 15万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
2.卷积神经网络之猫狗辨识
weixin_45802966的博客
10-20 5751
卷积神经网络猫狗辨识
基于 Python中的深度学习：神经网络与卷积神经网络
Why_does_it_work的博客
10-29 8653
深度学习是机器学习的一个分支，通过建立和训练深层神经网络来实现对数据的高级抽象和学习能力。它利用多个处理层级的神经网络模型，实现了从低级特征到高级抽象的逐步提取和学习。深度学习在计算机视觉、自然语言处理、语音识别、人工智能等领域取得了令人瞩目的成果。
深入探究深度学习、神经网络与卷积神经网络以及它们在多个领域中的应用
dvlinker的技术专栏
10-25 2万+
深入探究深度学习、神经网络与卷积神经网络以及它们在多个领域中的应用
深度学习 卷积神经网络原理
李乾文的博客
10-30 2021
本文分析了全连接层存在的局限性，然后引出卷积的思想方法，介绍了如何进行卷积、池化计算，提取特征。学习了卷积神经网络，就可以用神经网络高效地进行图像处理，比如说用于人脸识别、图片清晰化、风格迁移等。【目录】一、前言 二、全连接层的局限性 三、卷积层 3.1 如何进行卷积运算？ 3.2 偏置 3.3 填充 3.4 步长 3.5 卷积运算是如何保留图片特征的？ 3.6 三维卷积 3.7 多种特征提取 四、池化层 五、全连接层 六、参考资料
基于卷积神经网络VGG的猫狗识别
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
07-08 3149
！有需要本项目的实验源码的可以私信博主！摘要：随着大数据时代的到来，深度学习、数据挖掘、图像处理等已经成为了一个热门研究方向。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。这也是深度学习在当下备受欢迎的原因之一，本实验的研究目的是自动识别猫狗类型，采用的是基于数据挖掘的猫狗自动识别技术。本实验将具有外貌复杂的猫狗图像,其中训练集下各有猫狗数据1000张，验证集下各有猫狗500张，运用卷积神经网络训练，并挑选深度学习框架 TensorFlow以及计算能力强大的 GPU
基于python深度学习卷积神经网络识别猫狗图片.zip
04-14
基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度学习卷积神经网络识别猫狗图片.zip基于python深度...
基于卷积神经网络的猫狗识别
06-15
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉等领域。在这个“猫狗识别”项目中，我们利用CNN来区分和识别猫和狗的图片，这对于理解CNN的工作原理...
猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT.zip
06-22
猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT+大作业文档。 由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。 该数据集包含25000张猫狗图像(每个类别...
卷积神经网络算法识别猫狗图片.zip
08-21
在这个"卷积神经网络算法识别猫狗图片.zip"压缩包中，我们可以推测其内容可能包含一个用于区分猫和狗图片的CNN模型实现及相关资源。 卷积神经网络的核心思想是利用卷积层来自动学习图像的特征，这些特征可以是边缘...
【深度学习】生成式对抗网络的损失函数的理解
qq_38883271的博客
08-06 1万+
生成式对抗网络即GAN由生成器和判别器组成。原论文中，关于生成器和判别器的损失函数是写成以下形式： 首先，第一个式子我们不看梯度符号的话即为判别器的损失函数，logD(xi)为判别器将真实数据判定为真实数据的概率，log(1-D(G(zi)))为判别器将生成器生成的虚假数据判定为真实数据的对立面即将虚假数据仍判定为虚假数据的概率。判别器就相当于警察，在鉴别真伪时，必须要保证鉴别的结果真的就是真的，假的就是假的，所以判别器的总损失即为二者之和，应当最大化该损失。由于判别器（警察）鉴别真伪的能力随着训练次数的
【深度学习】FFA-Net：北大&北航提出的图像去雾的新型网络（代码在Github上已开源）
qq_38883271的博客
08-02 7768
1.新颖之处：提出了一种端到端的特征融合注意力网络（Feature Fusion Attention Network），可直接将有雾的图像恢复成无雾图像。算法主线：通道上的权重、各个像素位置处的权重是根据特征的重要程度来分配的。 2.FFA-Net框架结构： 上图为FFA-Net的框架结构图，从整体来看，其为全局残差网络，输入为haze image，经过shortcut与残差网络的主分支进行element-wise sum操作之后得到haze-free image。 FFA-Net的主分支较为复杂，主分支
图像风格迁移及代码实现
qq_38883271的博客
05-07 5994
图像风格迁移其实非常好理解，就是将一张图像的“风格”（风格图像）迁移至另外一张图像（内容图像），但是这所谓的另外一张图像只是在“风格”上与之前有所不同，图像的“内容”仍要与之前相同。Luan et al. and Gatys et al. 的工作都是利用VGGNet19作为该项任务的backbone，由于VGGNet19是一种近似“金字塔”型结构，所以随着卷积操作的加深，feature maps的感受野越来越大，提取到的图像特征从局部扩展到了全局。我们为了避免合成的图像过多地保留内容信息，选取VGGNet1
深度学习图像识别：从卷积神经网络到衣服分类
在深度学习领域，卷积神经网络（Convolutional Neural Networks, CNN）是图像识别任务的核心技术，尤其在视觉分类问题上表现出色。CNN通过多层的卷积层和池化层，学习到图像的局部特征和层次化的模式，从而能够理解...
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