小白入门深度学习记录1——卷积层个数及out_channels确定

最新推荐文章于 2024-09-14 16:45:06 发布
最新推荐文章于 2024-09-14 16:45:06 发布
阅读量96 收藏
点赞数 1
文章标签： 深度学习 人工智能
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_42342981/article/details/136974563
版权

查了很多资料，最终得到的答案是没有什么确定的方法，纯试错试出来的。

希望后来者不要像我一样花时间去查这个问题，特别是做深度学习的工程应用。

贴一个我看到的网址：

卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？ - mileistone的回答 - 知乎
https://www.zhihu.com/question/38098038/answer/416069216

dcshidafu
关注
YOLOv10改进 | 注意力机制 | 引入多尺度分支来增强特征表征的注意力机制 【CVPR2021】
kay_545
07-09 990
yolov10改进，yolov10，Diverse Branch Block
【图像去噪】论文复现：适合新手小白的Pytorch版本RIDNet复现！轻松跑通训练和测试代码！RIDNet网络结构实现拆解！简单修改路径即可训练自己的数据集！模型训练推理测试全流程讲解！
畅游计算机视觉的海洋
08-20 1100
论文题目：Real Image Denoising with Feature Attention —— 具有特征注意的真实图像去噪【图像去噪】论文精读：Real Image Denoising with Feature Attention（RIDNet）不使用官方源码的原因：官方源码使用PyTorch0.4，Python3.6，Cuda9.0。本文写于2024年，PyTorch>1.1版本，Cuda基本上大于10了。
我的“深度学习”笔记——实战1 LeNet网络 [图像分类]
weixin_42449640的博客
01-07 2357
我的“深度学习”笔记——实战1 LeNet网络 [图像分类] LeNet5 是一个非常有名也非常老的模型，可以说是第一个实践效果好的模型，由Yann LeCun在1994年提出，用于手写数字的自动识别。在很多教科书里面也是入门的经典网络。 这个网络被用于邮票上的手写数字的自动识别，并且有了非常好的识别准确率，这才是的神经网络重新回到大众的视野。当然，神经网络成为热门还要到近10年之后Hinton的学生Alex推出的AlexNet在LSVRC中大放异彩。 1.网络结构 LeNet的输入是一个 1@32*3
飞桨深度学习零基础入门（二）——使用飞浆（Paddle）实现卷积神经网络的手写数字（mnist）识别
艾醒的博客
12-06 3741
使用飞浆搭建卷积神经网络模型，并在手写数字识别（mnist）上进行训练和验证。对于损失和精度的数据使用matplotlib和飞桨可视化工具visualDL进行数据可视化
PyTorch深度学习快速入门教程 - 【小土堆学习笔记】
做一只猫的博客
02-14 2894
博主本人技术力不高，这篇博客可能会因为个人水平问题出现一些错误，但作为小白，还是希望能写下一些碰到的坑，尽力帮到其他小白。
计算机视觉深度学习入门笔记-从理论到实战案例
qq_60818566的博客
08-25 1097
深度学习是一种机器学习的分支，致力于模拟人脑神经网络的工作原理。通过构建具有多层次结构的神经网络模型，深度学习可以从大量数据中学习和提取特征，以解决各种复杂的任务。在过去的几年中，AI在各个领域都有突飞猛进的发展。就如同追求物理学中大统一，对于各式的AI模型，人们希望建立一个统一的通用人工智能（AGI）。在自然语言模型中，ChatGPT或许已经具有在部分领域AGI的雏形，尽管其仍然存在很多问题，对于某些交互存在胡言乱语的情况。但不可否认的是，我们或许能够在有生之年见证真正的AGI的诞生。
【paddle深度学习高层API七日打卡营】三岁水课第二天——卷积神经网络和手写数字识别（一）
三岁学编程的博客
02-05 794
三岁白话—paddle深度学习高层API七日打卡营第二课（一）！ 篇幅过长所以两章，见谅！
飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习总结
Fiona_Luna的博客
08-26 1424
飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡 写在前面的话 纯新手小白，第一次接触深度学习方面的应用。感谢飞桨提供的这次学习机会。之前有学习到深度学习的理论方面的知识，但是到实践，总觉得无从下手，一筹莫展。刚好被朋友推荐一起学习该门课程，感觉受益匪浅。一个好的入门老师可以带来无限的可能。感谢平台提供的机会，感谢几位老师的教导和经验分享。 PS：本人自己更喜欢纸质的笔记，所以可能会上传大量图片。QAQ 第一章 Python基础 python作为一种“神奇的”编程语言，
【图像超分】论文复现：新手入门必备！Pytorch实现SRGAN！手把手详细教程！代码注释详尽！可用于训练自己的数据集！实时验证模型性能！绘制PSNR曲线图！附训练好的各放大倍数的模型权重文件！
畅游计算机视觉的海洋
04-15 4566
【图像超分】论文精读：SRResNet/SRGAN【图像超分】论文复现：万字长文！Pytorch实现SRResNet代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！请配合上述论文精读文章使用，效果更佳！与原论文描述不一样的实现部分，也即可以修改的部分数据集使用：论文中是ImageNet随机选35000张图像，本文是VOC2012数据集16700张图像。数据集预处理：裁剪大小不同，论文是96×96，本文是88×88。
基于深度学习的多模态信息检索
weixin_42605076的博客
09-13 1229
基于深度学习的多模态信息检索技术，通过多模态特征的提取、融合和匹配，实现了从多种数据模态中进行高效检索的能力。随着深度学习技术的不断进步，特别是注意力机制和变换器架构的应用，多模态信息检索将在多个领域展现出更广泛的应用前景和潜力。
《深度学习》深度学习 框架、流程解析、动态展示及推导
wx_AHao1004Y的博客
09-12 1466
深度学习是一种基于人工神经网络架构进行机器学习的技术方法。它模拟人类大脑的神经网络结构和工作原理，通过多层次的神经元网络，对大量的输入数据进行处理和分析，从而实现对数据的自动学习和抽象表示，进而实现对复杂问题的解决和预测。 深度学习的核心是深度神经网络，它由多个隐藏层组成，每个隐藏层包含多个神经元节点。每个神经元节点都与上一层和下一层的神经元节点相连，通过对这些节点之间的连接权重进行调整，使得网络能够对输入数据进行有效的学习和表示。
【深度学习|PyTorch】基于 PyTorch 搭建 U-Net 深度学习语义分割模型——附代码及其解释！
985小水博的摸鱼日常
09-14 611
【深度学习|PyTorch】UNet学习笔记！
深度学习：基础知识
mohanyelong的博客
09-12 968
深度学习：基础知识
【深度学习】【OnnxRuntime】【Python】模型转化、环境搭建以及模型部署的详细教程
yangyu0515的博客
09-13 1446
【深度学习】【OnnxRuntime】【python】模型转化、环境搭建以及模型部署的详细教程
秃姐学AI系列之：实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
m0_62415132的博客
09-11 909
在这里，我们选择预训练的ResNet-34模型，我们只需重复使用此模型的输出层（即提取的特征）的输入。然后，我们可以用一个可以训练的小型自定义输出网络替换原始输出层，例如堆叠两个完全连接的图层。因此，我们可以使用 微调中讨论的方法在完整ImageNet数据集上选择预训练的模型，然后使用该模型提取图像特征，以便将其输入到定制的小规模输出网络中。在计算损失之前，我们首先获取预训练模型的输出层的输入，即提取的特征。的处理一样，即从原始训练集中拆分验证集，然后将图像移动到按标签分组的子文件夹中。
深度学习实战89-基于改造后的长短期记忆网络LSTM 的猪肉价格预测模型研究
weixin_42878111的博客
09-13 392
大家好，我是微学AI，今天给大家介绍一下深度学习实战89-基于改造后的长短期记忆网络LSTM 的猪肉价格预测模型研究。本文围绕基于改造后的长短期记忆网络 LSTM 的猪肉价格预测模型展开研究。首先介绍项目背景，阐述进行猪肉价格预测的重要性。接着详细讲解改造后的 LSTM 模型原理，为预测提供理论基础。
基于深度学习的信号滤波：创新技术与应用挑战
XU157303764的博客
09-09 1739
多尺度频域分析是一种将信号在不同频率尺度上进行分解和分析的方法。它通过使用特定的变换工具，如小波变换、多分辨率分析等，将信号分解为不同频率和时间尺度的成分。这种方法在多个领域都有着广泛的应用。在图像处理领域，多尺度频域分析可以用于图像去噪、边缘检测、图像压缩等。例如，通过小波变换可以将图像分解为不同尺度的小波系数，其中低频系数代表图像的大致轮廓和主要信息，高频系数则代表图像的细节和边缘信息。通过对不同尺度的系数进行处理，可以实现图像的去噪和增强。
《Discriminative Class Tokens for Text-to-Image Diffusion Models》ICCV2023
最新发布
qq_46981910的博客
09-14 992
论文讨论了文本到图像扩散模型的最新进展，这些模型能够生成多样化和高质量的图像。然而，生成的图像常常缺乏细节，并且由于输入文本的歧义性，容易产生错误。为了解决这些问题，作者提出了一种非侵入式的微调技术，利用预训练分类器的判别信号来指导生成过程，从而在保留自由形式文本表达潜力的同时，实现高精度。
def __init__(self, in_channels, out_channels, stride): super(RestNetBasicBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1) self.bn1 = nn.BatchNorm2d(out_channels) self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=stride, padding=1) self.bn2 = nn.BatchNorm2d(out_channels) ———————————————— 逐行解读
07-17
4. `self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=stride, padding=1)`：定义第二个卷积层 `conv2`，输入通道数为 `out_channels`，输出通道数为 `out_channels`（与前一层的输出通道...
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