Xiang神经网络总结（七）

最新推荐文章于 2024-06-17 21:08:24 发布
最新推荐文章于 2024-06-17 21:08:24 发布
阅读量67 收藏
点赞数
分类专栏： 神经网络 文章标签： 深度学习 神经网络
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_39199850/article/details/116462043
版权
  • ZFnet
    前面我们学习了AlexNet，现在我们学习ZFNet
    在这里插入图片描述
    将第一个卷积层的卷积核改小更关注细粒度的东西，原来AlexNet是11*11，大感受野可能忽略了很多细节，而这些细节在最基础的卷积层我们是不希望忽略的，因为忽略了后面的就再没有了。将第一层原来的卷积步长由4变成2，使得卷积后的特征响应图的大小（分辨率别下降的太快）保留更多信息。增加三四层卷积核个数这样理解：基元信息的卷积核可能没有太多，但是高级的具有语义信息的卷积核可能很多，所以高维的卷积层卷积核个数多了好，有利于提升分类精度。
    在这里插入图片描述
  • VGG
    在这里插入图片描述
    小卷积核能更具一细粒度的东西，深度深，卷积核更多有利于提升性能。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    小卷积核的优势：
    多个小卷积核串联，相当于一个大的卷积核，但是计算量少了
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
Xiang_Mamba
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
MATLAB神经网络原理与实例精解
06-28
《MATLAB神经网络原理与实例精解》首先简要介绍了MATLAB软件的使用和常用的内置函数，随后分门别类地介绍了BP网络、径向基网络、自组织网络、反馈网络等不同类型的神经网络，并在每章的最后给出了实例。在全书的最后...
神经网络设计 . 美国 Hagan.清晰版
06-28
本书介绍了神经网络的基本结构和学习规则，重点是对这些神经网络的数学分析、训练方法和神经网络在模式识别、信号处理以及控制系统等工程实践问题中的应用。本书尽力用清晰和一致的方式来组织材料，以易于阅读和使用...
Xiang神经网络总结（十一）
qq_39199850的博客
05-09 163
视觉识别任务 分类：就是识别出你这个图片主体是什么，比如我就仅仅说这个图片是个猫。 语义分割：图片上的每一个像素属于什么类别，针对于像素级别。 目标检测：给出图片上目标是什么以及目标的位置。 实力分割：给出图片上不同目标像素级别的分割。 ...
Xiang神经网络总结（三）
qq_39199850的博客
04-25 261
全连接神经网络 与线性分类器一样，我们仍需牢记如下流程图: 像素表示 将原始RGB图像展开为列向量[R1,G1,B1,R2,G2,B2…] 分类模型 回顾线性分类器 直接线性映射输入与输出。 引入全连接神经网络的目的：解决线性不可分问题，所以输入与输出之间的映射不是线性的 这里max 函数 函数值＞0，保留函数值，函数值＜0，则函数值为0。 这样即实现了非线性操作。 再谈线性与非线性操作中的权值矩阵W 对于线性分类器： 因为线性分类器函数直接映射了输入与输出的关系，以CIFAR10为
Xiang神经网络总结（九）
qq_39199850的博客
05-07 384
ResNet VGG和GoogleNet证明了一点，你的网络层数越深，你的网络的分类能力就越强，ResNet的研究人员做了如下实验，他们弄了一个56层的神经网络 发现测试集上56层网络的错误率比20层网络的错误率高，这个可以理解，你的网络层数多了，深度深了，对样本的分类能力强了，很可能造成过拟合，在实际应用场景没有20层的分类能力强，但是为啥我训练集分类能力还没20层的好了？？？？？拜托，我过拟合了是对训练样本分类很强，我训练集的错误率应该比测试集的要低才对啊！ 原因：你56层网络虽然看着挺唬人，但是.
Xiang神经网络总结（十八）
qq_39199850的博客
05-26 69
生成对抗网络GAN 生成的分布和你图像本身的分布越接近越好。 最大最小函数
Xiang神经网络总结（十七）
qq_39199850的博客
05-19 69
生成网络 首先我们探讨老生常谈的有监督学习和无监督学习。 有监督学习，简单来说就是样本有真实类别的标签。 无监督学习主要是找寻数据自身内部的关系。 PCA降维，可能数据在y维度变化不是很明显，但是在x维度变化特别明显，在x维度投影就能有效区分数据。 这里注意这里是特征生成的x’和原本的数据样本x求L2损失，越小越好。并没有标签在内。 密度估计：男生女生身高体重样本混合在一起只关心男生的身高体重分布。 假设这个样本是男生的情况下，看到这个样本的概率。 什么意思呢？我们已经有了训练样本，它有一
Xiang神经网络总结（八）
qq_39199850的博客
05-07 79
GoogleNet
Xiang神经网络总结（十）
qq_39199850的博客
05-08 66
Inception网络家族 V1： Inception v1的主要特点：一是挖掘了1 ×1卷积核的作用，减少了参数，提升了效果；二是让模型自己来决定用多大的的卷积核。 把不同的卷积核组合在一起，不仅可以增大感受野，而且还可以提高神经网络的鲁棒性。在一层里把不同大小的卷积核叠在一起后，意味着一层里可以产生不同大小的卷积核处理之后的效果，也意味着不用人为的来选择这一层要怎么卷，这个网络自己便会学习用什么样的卷积（或池化）操作最好。 V2&&V3 增强高维表征（在高层次Incept.
Xiang神经网络总结（十六）
qq_39199850的博客
05-16 66
风格转移 最简单的方法，元图片进行平移拼接。 对于一些简单重复的图片很有效。 如果是规则性不强的图片呢？ Gram Matrix C个卷积核每一行描述了卷积组对原始图像的描述。 CN2 对应平均，若某个位置值大，则可能说明图像该种“元素反复出现”（权值是对图像的逼近描述）。也就是一种风格。 给定一张图片训练噪声图片和原始图片GramMatrix反向更新噪声图片。 形成了和原始图片很接近的图片。 能否形成梵高式风格图片？ 简单，一个负责风格，一个负责内容。 参考特征逼近。 这里内容选择一般
Xiang神经网络总结（十四）
qq_39199850的博客
05-14 107
卷积神经网络中间层到底在干什么？ 补充一下RGB三通道卷积。图像与卷积核对应的通道做卷积运算，然后将每个通道的计算结果相加。 第一层卷积核直接作用在原本图像上，卷积核是N个M×M×3的，这些卷积核是可以被直接可视化的，如下图所示： 我们发现，这一层卷积核学习到的是一些纹理基元信息，但是这些纹理基元没有之前我们自己设计的纹理基元那么规规整整。 中间层的一些可视化，我们看不出很有用的信息。 4096维空间和某一特征相似的都聚在一坨了。 t-SNE降维 相似的图片会在一坨。 对于某一层特征图的可视化 我
[MATAB神经网络30个案例分析].史峰.扫描版
07-08
该书是MATLAB中文论坛神经网络版块数千个帖子的总结，充分强调“案例实用性、程序可模仿性”。所有案例均来自于论坛会员的切身需求，保证每一个案例都与实际课题相结合。
人工神经网络理论、设计及应用_第2版
06-28
《人工神经网络理论、设计及应用_第2版》取材注意内容的典型性和先进性，编排注意内容的逻辑性，阐述注重物理概念的清晰性，举例与思考练习的安排注意了内容的实践性，常用神经网络及算法的介绍着重于实用性。
基于神经网络的移动端人脸特征点检测.pdf
09-26
基于神经网络的移动端人脸特征点检测 人脸识别是一个热门的研究领域，准确地识别人脸的基础是正确地获取合适的人脸特征。人脸特征点检测是人脸识别的重要步骤之一，它可以分为三种方法：一是基于图像信息在特征空间...
基于注意力机制卷积神经网络结合门控单元CNN-GRU-SAM-Attention实现柴油机故障诊断附matlab代码
算法如诗的博客
06-13 511
基于注意力机制卷积神经网络结合门控单元CNN-GRU-SAM-Attention实现柴油机故障诊断附matlab代码
基于深度学习从2D图像中恢复3D图形
weixin_42605076的博客
06-14 560
基于深度学习从二维图像中恢复三维图形，通过构建和训练复杂的神经网络模型，能够有效地从二维图像中提取深度信息和三维结构。尽管面临信息不足、遮挡和视角变化等挑战，但随着深度学习技术的不断进步，三维重建在多个领域展现出了广阔的应用前景。通过数据增强和预处理技术，可以进一步提升三维重建模型的鲁棒性和准确性。
pytorch - RNN参数详解
最新发布
weixin_47552266的博客
06-17 474
在使用 PyTorch 训练循环神经网络（RNN）时，需要了解相关类和方法的每个参数及其含义。
LayerNorm层归一化
weixin_57128596的博客
06-11 1097
【虽然没有像BN那样对不同批次相同维的数据进行归一化（BN通过局部批次的数据得到每一个维度上数值的方差和均值），但是因为LN也缩小了数值的大小，所以说分布变化也一定变小了】批次的区别，然后BN去缩小他们的的区别】，而 Layer Norm 的核心强调的是每个批次中不同维度数据之间的区别。通过归一化，每个样本的特征维度被标准化，使得每个维度的数据在训练过程中更加稳定，从而强化了每个维度数据的特征。由于每一层的输入数据具有相同的均值和方差，梯度的传播更加稳定，有助于训练过程的稳定性和收敛速度。
神经网络java代码
05-31
以下是一个简单的神经网络Java代码示例： ```java public class NeuralNetwork { private double[] input; // 输入层 private double[][][] weights; // 权重 private double[][] bias; // 偏置 private ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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