![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
哈温最可爱
目标很低,刷满1000道leetcode,找不到优质工作就撤。。。
展开
-
YOLO3目标检测原理
当一张图片被传到YOLO3的网络中时,手写被调整到416X416的大小,为了防止失真会在图像边缘加上微调,之后YOLO3会将这张图像分成13X13\26X26\52X52的网格,由于图像在多次卷积压缩后,小物体的特征容易消失,所以52X52的网格用于检测小物体,13X13的网格用于检测大物体。假设有一张猫的图片,由于猫是比较大的物体,它由13X13的网格检测,每个网格点负责其右下角区域的检测,如果物体的中心点落在这个区域,这个问题的位置就由这个网格点决定。 总结而言,YOLO3不过是把一张图片划分形成不同的原创 2021-06-14 12:56:55 · 216 阅读 · 0 评论 -
TensorFlow(笔记)
Tensor+Flow=TensorFlow Tensor:张量,数据 Flow:流 深度学习中的数据是按照一定的方向流动的,流动的同时会进行相关的运算。 TensorFlow架构 前端:编程模型、构造计算图、Python、C++、Java 后端:运行计算图、C++ 为什么选择TensorFlow? 高度的灵活性、真正的可移植性(底层采用C)、将科研和产品联系在一起、自动求微分、多语言支持、性能最优化、社区内容丰富。 TensorFlow基本概念介绍 Graph描述了计算过程(计算图,在前端完成),可以通原创 2021-06-13 22:33:20 · 246 阅读 · 2 评论 -
卷积神经网络搭建(笔记)
现在用卷积神经网络训练cifar10数据集(32X32),搭建一个一层卷积、两层全连接的网络。使用6个5X5的卷积核,过2X2的池化和,池化步长是2,过128个神经元的全连接层,由于cifar10是10分类,所以最后还要过一个10个神经元的全连接层。 搭建神经网络的八股口诀是:CBAPD C(核:655,步长:1,填充:same) B(Yes) A(ReLU) P(max,核:2*2,填充:same) D(0.2)(20%的神经元休眠) Flatten(把卷积送过来的神经元拉直,送入全连接层) Dense原创 2021-05-17 21:36:15 · 208 阅读 · 0 评论 -
CNN(笔记一)
什么是卷积? 卷积是卷积神经网络中的关键运算步骤,下面举一个图像处理的例子来说明卷积。 卷积核在输入的图像上移动,形成一个滑动窗口,进行卷积运算,进而输出一副新的图像,如下图所示。 本例中采用的卷积核可以提取原始图像的边缘信息。 什么是卷积神经网络? 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络最先在图像分类上获得应用,后来又在自然语言处理领域中获得较好的应用。 卷积神经网络具有以下特点: 1.局部卷积 2.参数共享 3.多卷积核 4.池化操作 5原创 2021-05-17 21:07:41 · 103 阅读 · 0 评论 -
神经网络BP算法
import numpy as np w=[0,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65] #数组下标从0开始 b=[0,0.35,0.65] l=[0,5,10] def sigmoid(z): return 1.0/(1+np.exp(-z)) def bp(w,b,l): # 1.前向传播,计算预测值与误差 h1 = sigmoid(w[1] * l[1] + w[2] * l[2] + b[1]...原创 2021-05-16 15:53:04 · 144 阅读 · 0 评论 -
手写数字识别相关函数(二)
function [y] = linearInd2Binary(ind,nLabels) n = length(ind);% n为行数 %使用{−1,1}对十个标签进行编码 y = -ones(n,nLabels); for i = 1:n y(i,ind(i)) = 1; end ind为5000X1 double型变量,存储标签0-9 手写数字识别中,nLabels=10,因为是识别0-9十个数字 ...原创 2021-05-15 15:54:01 · 139 阅读 · 0 评论 -
手写数字识别相关函数(一)
输入5000张16X16的灰度图像。 function [S, mu, sigma2] = standardizeCols(M, mu, sigma2) [nrows ncols] = size(M); M = double(M); if nargin < 2 %nargin函数输入参数数目 mu = mean(M); %方差 sigma2 = std(M); %标准差 ndx = find(sigma2 < eps);% 防止方差(分母)为0 sigma2(ndx) = 1原创 2021-05-15 15:41:31 · 160 阅读 · 0 评论