Xiang神经网络总结（十）

最新推荐文章于 2024-07-24 09:00:00 发布
最新推荐文章于 2024-07-24 09:00:00 发布
阅读量69 收藏
点赞数
分类专栏： 神经网络 文章标签： 神经网络 深度学习
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_39199850/article/details/116531763
版权
  • 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。在这里插入图片描述
V2&&V3
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
增强高维表征（在高层次Inception结构中3×3拆分成了1×3和3×1的卷积核并列，变得更宽，以增强信息表征）
在这里插入图片描述

V4&&ResNet
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
引入了残差模型
在这里插入图片描述

参考：https://zhuanlan.zhihu.com/p/50754671

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
Xiang神经网络总结（十四）
qq_39199850的博客
05-14 111
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
Xiang神经网络总结（十一）
qq_39199850的博客
05-09 167
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（十三）
qq_39199850的博客
05-14 85
实例分割 相当于区域选择出来卷积一下，然后预测每个像素是什么类别，相当于多加了一个分支。 训练紫色框框的不同卷积核，达到像素级别分类的目的。 姿态估计：我对感兴趣区域选出来的区域进行卷积，卷积核是什么呢？头部，肘部，肩部等得到特征响应图反向回归更新卷积核值。然后按照顺序连起来 openpose ...
Xiang神经网络总结（十五）
qq_39199850的博客
05-16 90
必要遮挡证明神经网络学习到了有用的信息。（更关注象脸） 我们之前反向传播的时候，计算的是结果关于权值的导数，这里计算结果关于Δx的导数。思考这里这样操作为什么成立？我们知道前向计算是权值×ΔX然后通过反向传播更新权值，更新完有些权值可能不重要设置成0了，那么结果关于Δx的导数可能就不存在了。 上图选择RGB三通道中导数最大的通道保留，我们可以通过这个反向可视化来确定神经网络学习性能如何，关注点是否正确。（实际上效果不是太好）。 一种反向可视化可应用的场景：图像分割，反向可视化可以理解为对于图片“边界”.
Xiang神经网络总结（三）
qq_39199850的博客
04-25 264
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
05-07 395
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 72
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 76
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 82
GoogleNet
认识神经网络【多层感知器数学原理】
逐梦苍穹的博客
07-24 1237
简单认识神经网络，学习多层感知器的数学原理和公式
【香橙派开发板测试】：在黑科技Orange Pi AIpro部署YOLOv8深度学习纤维分割检测模型
慕溪同学的博客
07-20 1016
为AI而生”深圳市迅龙软件有限公司成立于2005年，是全球领先的开源硬件、开源软件及智能产品品牌商，致力于让全世界每个极客、创客、电子爱好者享用来自中国的优质、低价的开源产品及智能产品，拓展无限可能，通过大规模的社会化协作去创建一个更加美好的信息化人类文明。目前迅龙业务遍及美国、英国、意大利、俄罗斯、日本、南非、东南亚等100多个国家和地区。香橙派的Orange Pi AIpro是一款专为人工智能（AI）应用开发设计的高性能开发板。
嵌入式C++、STM32、树莓派4B、OpenCV、TensorFlow/Keras深度学习：基于边缘计算的实时异常行为识别
嵌入式极客小张
07-20 1355
随着物联网和人工智能技术的飞速发展，家庭安全愈发受到重视。本项目旨在构建一套基于边缘计算的智能家居安全系统，利用STM32微控制器和树莓派4B作为核心硬件，实时分析摄像头数据，智能识别异常行为（如入侵、跌倒等），并即时发出警报。 系统采用Python和C语言进行开发，其中树莓派运行TensorFlow/Keras深度学习模型，结合OpenCV进行图像处理，确保高效的行为识别。
前端分析-202307110039
最新发布
07-29
前端分析-202307110039
Oracle中文基础PPT
07-29
Oracle中文基础PPT 虽然是10g，但是学习Oracle，10g版本没问题 Less01_DB_Architecture_MB3.ppt Less02_Installation_MB3.ppt Less03_DB_DBCA_MB3.ppt Less04_Instance_TB3.ppt Less05_Storage_TB3.ppt Less06_Users_MB3.ppt Less07_Schema_TB3.ppt Less08_Data_TB3.ppt Less09_Undo_TB3.ppt Less10_Security_MB3.ppt Less11_Network_MB3.ppt Less12_ProactiveM_MB3.ppt Less13_Performance_TB3.ppt Less14_BR_Concepts_MB3.ppt Less15_Backups_TB3.ppt Less16_R
【创新未发表】Matlab实现粒子群优化算法PSO-Kmean-Transformer-BiLSTM负荷预测算法研究.rar
07-29
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事Matlab算法仿真工作10年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。 替换数据可以直接使用，注释清楚，适合新手
Java项目：基于SSM框架实现的公务员培训机构管理系统【ssm+B/S架构+源码+数据库+开题+任务书+毕业论文】
07-29
一、项目简介 本项目是一套基于SSM框架实现的公务员培训机构管理系统 包含：项目源码、数据库脚本等，该项目附带全部源码可作为毕设使用。 项目都经过严格调试，eclipse或者idea 确保可以运行！ 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷，具有很高的实际应用价值 二、技术实现 jdk版本：1.8 及以上 ide工具：IDEA或者eclipse 数据库: mysql5.7 后端：spring+springmvc+mybatis+maven+mysql 前端：jsp，css，js 三、系统功能 系统登录角色包括管理员、考生、在职公务员 后台主要功能包括： 个人中心 修改密码 个人信息 在职公务员管理 考生管理 管理员信息 讲师管理 备考课程管理 基础数据管理 单位管理 公告类型管理 课程类型管理 在职培训课程管理 公告管理 轮播图管理等功能 前台主要功能包括： 用户登录 用户注册 首页 备考课程展示 课程详情 立即预订 讲师展示 公告信息 个人中心 备考课程预订 在职培训课程预订 余额充值 在职培训课程 跳转到后台等功能
Auto.js应用管理大师：自动化安装与卸载的艺术
07-29
Auto.js 是一个基于 JavaScript 的自动化脚本工具，主要用于 Android 平台。它允许用户编写脚本来自动执行一系列操作，如模拟点击、滑动、输入文本、读取和设置系统设置等。Auto.js 的目标是简化 Android 设备上的自动化任务，让用户能够通过编写脚本来实现自定义的自动化流程。 以下是 Auto.js 的一些主要特点： 1. **跨平台**：虽然主要针对 Android，但 Auto.js 也可以在其他支持 JavaScript 运行环境的平台上使用。 2. **易学易用**：如果你熟悉 JavaScript，那么学习 Auto.js 会相对容易，因为它使用类似的语法。 3. **丰富的API**：Auto.js 提供了丰富的 API，可以访问设备的许多功能，如文件系统、剪贴板、通知、网络等。 4. **社区支持**：Auto.js 拥有一个活跃的社区，用户可以在社区中分享脚本、解决问题和获取帮助。 5. **可扩展性**：用户可以根据自己的需要编写和分享自定义模块，以扩展 Auto.js 的功能。 6. **自动化任务**：Auto.js 可以用来自动化
单片机控制的节水灌溉系统的研究
07-29
自动控制节水灌溉技术的高低代表着农业现代化的发展状况，灌溉系统自动化水平较低是制约我国高效农业发展的主要原因。本文就此问题研究了单片机控制的滴灌节水灌溉系统，该系统可对不同土壤的湿度进行监控，并按照作物对土壤湿度的要求进行适时、适量灌水，其核心是单片机和PC机构成的控制部分，主要对土壤湿度与灌水量之间的关系、灌溉控制技术及设备系统的硬件、软件编程各个部分进行了深入的研究。 单片机控制部分采用上下位机的形式。下位机硬件部分选用AT89C51单片机为核心，主要由土壤湿度传感器，信号处理电路，显示电路，输出控制电路，故障报警电路等组成，软件选用汇编语言编程。上位机选用586型以上PC机，通过MAX232芯片实现同下位机的电平转换功能，上下位机之间通过串行通信方式进行数据的双向传输，软件选用VB高级编程语言以建立友好的人机界面。系统主要具有以下功能：可在PC机提供的人机对话界面上设置作物要求的土壤湿度相关参数；单片机可将土壤湿度传感器检测到的土壤湿度模拟量转换成数字量，显示于LED显示器上，同时单片机可采用串行通信方式将此湿度值传输到PC机上；PC机通过其内设程序计算出所需的灌水量和灌水时间，且显示于界面上，并将有关的灌水信息反馈给单片机，若需灌水，则单片机系统启动鸣音报警，发出灌水信号，并经放大驱动设备，开启电磁阀进行倒计时定时灌水，若不需灌水，即PC机上显示的灌水量和灌水时间均为0,系统不进行灌水。
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 double[][] output; // 输出层 private int[] layerSizes; // 每层神经元数量 public NeuralNetwork(int... layerSizes) { this.layerSizes = layerSizes; this.weights = new double[layerSizes.length - 1][][]; this.bias = new double[layerSizes.length - 1][]; this.output = new double[layerSizes.length][]; this.input = new double[layerSizes[0]]; // 初始化权重和偏置 for (int i = 0; i < layerSizes.length - 1; i++) { weights[i] = new double[layerSizes[i + 1]][layerSizes[i]]; bias[i] = new double[layerSizes[i + 1]]; for (int j = 0; j < layerSizes[i + 1]; j++) { for (int k = 0; k < layerSizes[i]; k++) { weights[i][j][k] = Math.random() * 2 - 1; // 随机初始化权重 } bias[i][j] = Math.random() * 2 - 1; // 随机初始化偏置 } } // 初始化输出层 for (int i = 0; i < layerSizes.length; i++) { output[i] = new double[layerSizes[i]]; } } // 激活函数，这里使用sigmoid函数 private double sigmoid(double x) { return 1 / (1 + Math.exp(-x)); } // 前向传播 public double[] feedForward(double... input) { if (input.length != layerSizes[0]) { throw new IllegalArgumentException("输入层大小错误"); } this.input = input; for (int i = 0; i < layerSizes.length - 1; i++) { for (int j = 0; j < layerSizes[i + 1]; j++) { double sum = 0; for (int k = 0; k < layerSizes[i]; k++) { sum += weights[i][j][k] * input[k]; } sum += bias[i][j]; output[i + 1][j] = sigmoid(sum); } input = output[i + 1]; } return output[layerSizes.length - 1]; } // 训练网络 public void train(double[] input, double[] targetOutput, double learningRate) { if (input.length != layerSizes[0]) { throw new IllegalArgumentException("输入层大小错误"); } if (targetOutput.length != layerSizes[layerSizes.length - 1]) { throw new IllegalArgumentException("目标输出层大小错误"); } // 前向传播 feedForward(input); // 反向传播 double[][] delta = new double[layerSizes.length][]; for (int i = layerSizes.length - 1; i >= 1; i--) { delta[i] = new double[layerSizes[i]]; if (i == layerSizes.length - 1) { for (int j = 0; j < layerSizes[i]; j++) { delta[i][j] = (output[i][j] - targetOutput[j]) * output[i][j] * (1 - output[i][j]); } } else { for (int j = 0; j < layerSizes[i]; j++) { double sum = 0; for (int k = 0; k < layerSizes[i + 1]; k++) { sum += weights[i][k][j] * delta[i + 1][k]; } delta[i][j] = sum * output[i][j] * (1 - output[i][j]); } } } // 更新权重和偏置 for (int i = 0; i < layerSizes.length - 1; i++) { for (int j = 0; j < layerSizes[i + 1]; j++) { for (int k = 0; k < layerSizes[i]; k++) { weights[i][j][k] -= learningRate * delta[i + 1][j] * input[k]; } bias[i][j] -= learningRate * delta[i + 1][j]; } input = output[i + 1]; } } } ``` 这个神经网络有一个输入层，一个输出层和任意数量的隐藏层。可以使用`NeuralNetwork`类的构造函数指定每个层的神经元数量。`feedForward`方法将输入传递到网络并返回输出，`train`方法用于训练网络并更新权重和偏置。
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