深度学习（卷积网络、循环神经网络、对抗神经网络、Tensorflow实战）

最新推荐文章于 2023-10-24 17:58:05 发布
最新推荐文章于 2023-10-24 17:58:05 发布
阅读量427 收藏 2
点赞数
分类专栏： 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_43543515/article/details/107291192
版权

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
下采样：
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
预处理：归一化，对所有像素点进行0-1归一化
在这里插入图片描述
将一列数再转换为图像，图像大小28281
在这里插入图片描述
独热编码：将label的编号
在这里插入图片描述
分为测试集和训练集
在这里插入图片描述
一般标准差指定的较小，偏置也指定一个常数

在这里插入图片描述

tf都是在4维上，batchsize，high,wide,channel,VGG默认是1
在这里插入图片描述
w,h要改的话是一样的

maxpooling:22的小区域，2的stride
在这里插入图片描述
输入大小尽量一致：
在这里插入图片描述
filter=55,输入通道1，输出通道32就是拿32个filter去做这件事。
在这里插入图片描述
第一次卷积后得到32个图

偏置项：
在这里插入图片描述
reshape:将特征数据转换为400002828的图像数据
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

全连接操作：在这里插入图片描述

在这里插入图片描述
-1占位，自动求解，比如40000，但是为了方便表示即可以换掉

在这里插入图片描述
dropout:在这里插入图片描述
在这里插入图片描述

位沁
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
第八讲续-卷积神经网络与循环神经网络的结合应用
09-07
深度学习系列课程资料分享，第一讲 课外学习资料，第二讲，传统神经网络，其他部分请看我上传的资源列表.......
【卷积神经网络和循环神经网络】
m0_68323565的博客
03-19 426
同时大量的参数也很快会导致网络过拟合密集连接层和卷积层的根本区别在于，Dense层从输入特征空间中学到的是全局模式（比如MNIST数字，全局模式就是涉及所有像素的模式），而卷积层学到的是局部模式，对于图像来说，学到的就是在输入图像的二维小窗口中发现的模式。不同于卷积神经网络有很详细的层次结构，每个层都有自己要实现的任务，我们根据每层的需要就可以编辑出卷积神经网络，但是循环神经网络似乎没有这种很详细的层次结构，循环神经网络主要解决的是有顺序的数据结构，例如说话的顺序、文本的顺序等。层的创建原理类似于神经元。
机器学习笔记三—卷积神经网络与循环神经网络
qq_45193988的博客
08-18 4598
系列文章链接 机器学习笔记二 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 文章目录系列文章链接前言一、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重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文
谈谈卷积神经网络和循环神经网络
小名double木
07-06 6326
看起来毫不相关的两种网络，其有哪些近似之处呢？ 这篇文章将用简易文字总结。 卷积神经网络-CNN 首先，卷积和神经网络是两个独立模块： 卷积是为了提取特征，卷积核为待求参数，客观世界表现为对图像数据提取特征的方式； 神经网络是工具，通过输入指定维度参量**（这个输入就是源图像经过预处理、反复的卷积-池化降维、激活、全连接等模块所得）**，通过反复迭代，对权重参数运算，使得整个网络在应用于后验数据时，能够很好的匹配上其客观现实中所对应的人为指定标签。 在提取特征时，通常需要一次性的提取多个特征，直观变现为
智能计算系统笔记——第三章深度学习（3.4&3.5循环神经网络与生成对抗网络）
夏风喃喃的博客
02-10 513
学习《智能计算系统》课程第三章深度学习的笔记。
深度学习之神经网络(CNNRNNGAN)算法原理+实战
09-26
本课程使用原理讲解加实战的方式学习卷积神经网络（CNN）、循环神经网络（RNN）、对抗神经网络（GAN），通过图像分类、文本分类、图像风格转换、图像文本生成、图像翻译等项目，深度掌握算法调参以及使用Tensorflow...
机器学习和神经网络算法实战案例.zip
08-28
资源中的代码可能涵盖了从基础的前馈神经网络（FFN）到更复杂的卷积神经网络（CNN）和循环神经网络（RNN）的实现。 深度学习是机器学习的一个子领域，它利用深层神经网络处理大量数据，尤其在图像和语音处理方面...
深度学习入门书籍推荐_深度学习_神经网络学习_
10-02
《深度学习》（Goodfellow, Bengio, Courville 著）：这是一本由深度学习领域的三位大牛共同撰写的经典教材，涵盖了深度学习的基础理论、模型和实践应用，包括卷积神经网络、循环神经网络、自编码器、生成对抗网络等...
包括深度学习，tensorflow实战GooGle以及Python神经网络学习
12-06
《深度学习_中文版 2017.3.15.pdf》这本著作可能包含了深度学习的基础理论和最新进展，包括反向传播算法、卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等，并且可能探讨了深度学习在图像识别...
pytorch搭建卷积神经网络【第三课_自己搭建对抗神经网络】
weixin_42483745的博客
04-05 1232
文章目录前言1、网络搭建2、网络架构3、网络架构解析4、网络实例化5、网络权重加载6、网络属性设置7、图像tensor化8、导入测试图9、图像tensor化10、图像传入网络11、生成对抗图12、对抗图解析没有进行全连接，只是对像素点进行的计算总结 前言 AN 的基本理念其实非常简单，其核心由两个目标互相冲突的神经网络组成，这两个网络会以越来越复杂的方法来“蒙骗”对方。这种情况可以理解为博弈论中的极大极小博弈树。以下就是传入马的网络生成斑马。 1、网络搭建 #!/usr/bin/env python
循环神经网络 - 卷积神经网络
既然选择了远方 便只顾风雨兼程 - 永强
03-10 1864
循环神经网络 - 卷积神经网络 传统的机器学习算法非常依赖于人工提取的特征，使得基于传统机器学习的图像识别、语音识别以及自然语言处理等问题存在特征提取的瓶颈。 基于全连接神经网络的方法存在参数太多、无法利用数据中时间序列信息等问题。 循环神经网络的主要用途是处理和预测序列数据。 全连接神经网络或卷积神经网络模型中，网络结构都是从输入层到隐含层再到输出层，层与层之间是全连接或部分连接的，但每层之间的节点是无连接的。 循环神经网络的来源就是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上，循环神经网络会
全连接、卷积、循环神经网络介绍
weixin_44337883的博客
04-19 5112
神经网络简介 训练神经网络主要围绕下面四部分： 层，多个层组合成网络（或模型） 输入数据和相应目标 损失函数，即用于学习的反馈信号 优化器，决定学习过程如何进行 层、损失函数、优化器之间的关系： 层：神经网络中的核心组件是层，它是一种数据处理模块，可以将其看作是数据过滤器，进去一些数据，出来的数据更具代表性。层的创建原理类似于神经元，神经元模型结构为： x：模拟前一个神经元输入（树突） w：模拟“突触”，输入、记忆能力 w0：为偏置量 f：为激活函数，模拟神经元的兴奋和抑制 ..
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)概念区分理解
热门推荐
Eddy_zheng的博客
02-29 10万+
1、相关知识从广义上来说，NN（或是更美的DNN）确实可以认为包含了CNN、RNN这些具体的变种形式。有很多人认为，它们并没有可比性，或是根本没必要放在一起比较。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括convolution layer 或是 LSTM 单元。其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结构发明的初衷，和他们之间本质的区别。2、神经网
卷积神经网络和循环神经网络算法原理
hcc_cheng的博客
04-28 2038
卷积神经网络 递归神经网络_引入递归神经网络
weixin_26715991的博客
10-11 561
卷积神经网络 递归神经网络Artificial intelligence (AI) is bridging the gap between technology and humans by allowing machines to automatically learn things from data and become more ‘human-like’; thus, becoming mo...
人工智能：CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的知识梳理
最新发布
JustinMars的博客
10-24 6879
CNN 主要用于处理图像数据，RNN 用于处理序列数据，而 DNN 是一个通用的深度神经网络架构，可以应用于各种不同类型的数据。这些神经网络架构也可以结合使用，以解决复杂的多模态问题。
CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别？
尚小馨的博客
11-16 1140
神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。早期感知机的推动者是Rosenblatt。       但是，Rosenblatt的单层感知机有一个严重得不能再严重的问题，即它对稍复杂一些的函数都无能为力（比如最为典型的“异或”操作）。连异或都不能拟合，你还能指望这货有什么实
循环神经网络理论知识+卷积神经网络模型
Claire的博客
10-03 1206
前馈神经网络多层感知器与卷积神经网络，信息按照一个方向流动信息循环流动两种循环神经网络==原始的循环神经网络和目前常用的长短时记忆网络循环神经网络指的是网络的隐含层输出又作为其自身的输入。x:hy自己可以看到循环神经网络示意图设置一个有限的循环次数，将其展开后相当于堆叠多个共享隐含层参数的前馈神经网络。tanh(z)是激活函数，与sigoid类似，值域是-1到1隐含层ht是不但与当前的输入有关，而且与上一时刻的隐含层有关递归形式的定义。记忆单元处理文本分类的问题。
【ing 】CNN（卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络）的内部网络结构有什么区别？
yuuzhao的博客
08-06 1226
CNN（卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络）的内部网络结构有什么区别？ CNN（卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络） DNN指的是包含多个隐层的神经网络，如图1所示，根据神经元的特点，可以分为MLP、CNNs、RNNs等，下文在区分三者的时候，都从神经元的角度来讲解。MLP是最朴素的DNN，CNNs是encode了空间相关性的DNN，RNNs是encode进了时间相关性的DNN。 CNN 专门解决图像问题的，可用把它看作特征提取层，放在输入层上，最后用ML
深度学习实战：基于案例理解DNN
此外，书中可能还会讨论其他领域的应用，如自然语言处理（NLP）中的循环神经网络（RNN）和长短时记忆网络（LSTM）。 通过案例研究，本书将理论与实践相结合，让读者不仅理解深度学习的理论基础，还能学会将其应用于...
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

打赏作者

位沁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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