- 博客(7)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习 笔记（七）自然语言处理NLP
序列数据是按照时间顺序排列的数据集合，可以是文本、音频、视频、时间序列等，这些数据在连续的时间步中具有相关性和顺序性，因此传统的模型很难直接处理这种类型的数据，序列模型的设计就是为了解决这些问题。
2024-04-29 20:20:37
643
1
原创 神经网络与深度学习 笔记（六）风格迁移与GAN
风格迁移——如果你是一位摄影爱好者，也许接触过滤镜。它能改变照片的颜色样式，从而使风景照更加锐利或者令人像更加美白。但一个滤镜通常只能改变照片的某个方面。如果要照片达到理想中的样式，经常需要尝试大量不同的组合，其复杂程度不亚于模型调参。而风格迁移，可以自动将某图像中的样式应用在另一图像之上。
2024-04-27 22:02:17
835
原创 神经网络与深度学习 笔记（五）语义分割FCN
找到同一画面中的不同类型目标区域。和其他问题的区别：实例分割：同一类型目标要分出来具体实例（谁是谁）目标检测：标出来外包围矩形。
2024-04-27 20:30:32
495
1
原创 神经网络与深度学习 笔记（四）目标检测与YOLO
YOLO的检测中使用了𝑠^2个框，每个框的bounding box个数为𝐵，分类器可以识别出𝐶种不同的物体，那么整个ground truth(即YOLO输出的参数量)的长度为𝑆 × 𝑆 × (𝐵 × 5 + 𝐶)目标检测是在给定的图片中精确找到物体所在位置，并标注出物体的类别。物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，并且物体还可以是多个类别。在下图中，每个框代表1个预测的bb，粗细代表不同的置信度，边框线越粗说明预测的置信度越高基于，OpenCV和CPU
2024-04-17 18:58:49
594
原创 神经网络与深度学习 笔记（三）基本的CNN与常用数据集
在传统的神经网络中，假设某一层的输入为x，输出为H(x)，则网络学习的目标是学习从输入x到输出H(x)的映射。梯度消失问题通常出现在深度网络中，特别是在使用一些特定的激活函数（比如 Sigmoid 和 Tanh）时更加明显，因为这些激活函数的导数在输入值很大或很小的时候会趋近于零（下图为sigmoid函数及其导数），从而使得反向传播时梯度减小。有50000个训练图像和10000个测试图像数据集。非残差网络的缺陷：理想情况下，随着网络的加深，训练后的性能会递增，然而实际上，层数过多后网络的性能反而开始下降。
2024-04-12 19:25:51
952
原创 神经网络与深度学习 笔记（二）
PyTorch是一个 Python 的深度学习库。它最初由Facebook人工智能研究小组开发而优步的Pyro软件则用于概率编程。最初PyTorch由Hugh Perkins开发作为基于Torch框架的LusJIT的Python 包装器。PyTorch在Python中重新设计和实现Torch同时为后端代码共享相同的核心C库。除了Facebook之外Twitter、GMU和Salesforce等机构都采用了PyTorch。到目前据统计已有80%的研究采用PyTorch包括Google。
2024-04-07 22:00:23
562
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人