深度学习
文章平均质量分 76
qq_40147888
这个作者很懒,什么都没留下…
展开
-
人工神经网络中为什么ReLU要好过于tanh和Sigmoid function
人工神经网络中为什么ReL要好过于tanh和Sigmoid function采用SIgmoid等函数,算激活函数时(指数运算),计算量大,反向传播求误差梯度时,求导涉及求导和指数运算,计算量相对大,而采用ReLU激活函数时,整个过程的计算量节省很多。对于深层网络,sigmoid函数反向传播时,很容易出现梯度消失的情况(在Sogmoid接近饱和区时,变换太缓慢,导致趋于0,这种情况会造成信息丢失),这种现象称为饱和,从而无法完成深层网络的训练。而ReLU就不会有饱和倾向,不会有特别小的梯度出现。Re原创 2021-05-31 10:59:50 · 467 阅读 · 0 评论 -
MobileNets详解
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录一、前言二、摘要1.引入库2.读入数据总结一、前言这篇论文是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络,取名为MobileNets。个人感觉论文所做工作偏向于模型压缩方面,核心思想就是卷积核的巧妙分解,可以有效减少网络参数。论文地址:MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications民间实现原创 2021-05-31 10:58:55 · 533 阅读 · 0 评论 -
几种激活函数的比较
前言激活函数:用来加入非线性因素的,因为线性模型的表达能力不够比如下图的数据比较简单是线性可分的,一条直线就可以对样本进行分类了:但是如果碰到下面的情况,数据变成线性不可分的时候,一条直线根本无法很好地对数据进行分类,这样就引入非线性因素,而激活函数恰好能够做到这点:一、Sigmoid函数用于隐层神经元输出函数图像为:优缺点:输出映射在(0, 1)之间,用于输出层,求导容易。缺点:容易产生梯度消失,导致训练出现问题,输出不是以0为中心的。二、tahn函数区间位于[-11, 1]翻译 2021-05-31 10:58:25 · 656 阅读 · 0 评论 -
荧光染色切片病理分析算法(深度学习+机器学习)
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、细胞分割及计数(Mask-RCNN)二、阳性信号定位(基于Kmeans)1.绿色通道阳性定位2.红色通道阳性定位三、细胞分割及阳性定位结果整合总结前言在生物科研或病理领域,有一类片子叫荧光染色(免疫荧光),通过对不同的组织进行不同的光学处理,使得最终的片子中,不同的光色对应不同的组织。本帖是作者经手的一个项目,分析免疫荧光的基础数据,如细胞个数、阳性面积等作为生物或者病理研究的基础数据。一般免疫荧光有四个通道的图片,原创 2021-05-11 16:07:40 · 4577 阅读 · 4 评论 -
Unet组织分割
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、原图数据二、标签图片三、结果展示总结前言本文是关于一个组织分割的项目,尝试了UNet和一些轻量网络如MobileNet等,数据标签是我司数据团队自己准备的,这里不做分享。由于Unet的网络结构网上已经有很多,这里也不作技术性的说明,仅展示一下结果。一、原图数据一共3430张不同的组织图片。二、标签图片这些是数据团队准备的Annatation转换为mask的数据。三、结果展示检测结果如下面几张图所示。原创 2021-05-11 16:04:23 · 409 阅读 · 0 评论 -
Pytorch深度学习实战教程(三):UNet模型训练
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录一、前言二、项目背景三、UNet训练1.数据加载2.模型选择总结一、前言本文属于Pytorch深度学习语义分割系列教程。该系列文章的内容有:Pytorch的基本使用语义分割算法讲解二、项目背景深度学习算法,我飞就是我们解决一个问题的方法。选择什么样的网络去训练,进行什么样的预处理,采用什么Loss和优化方法,都是根据具体的任务而定的。所以,让我们先看一下今天的任务。没错,就是UNet论文中的经典任务:医学图像分割原创 2021-05-11 15:47:50 · 4329 阅读 · 4 评论 -
Pytorch深度学习实战教程(二):UNet语义分割网络
一、前言本文属于Pytorch深度学习语义分割系列教程。该系列文章的内容有:Pytorch的基本使用语义分割算法讲解如果不了解语义分割原理以及开发环境的搭建,请看该系列教程的上一篇文章《Pytorch深度学习实战教程(一):语义分割基础与环境搭建》。本文的开发环境采用上一篇文章搭建好的Windows环境,环境情况如下:开发环境:Windows开发语言:Python3.7.4框架版本:Pytorch1.3.0CUDA:10.2cuDNN:7.6.0本文主要讲解UNet网络结构,以及相应原创 2021-05-11 15:47:29 · 1113 阅读 · 1 评论 -
PaddleX模型C++部署,python/c++交互(二)
PaddleX模型C++部署后Python调用并读取dll返回数据提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加例如:第一章 Python 机器学习入门之pandas的使用提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录PaddleX模型C++部署后Python调用并读取dll返回数据前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越原创 2021-05-11 15:41:23 · 1103 阅读 · 0 评论