深度学习
文章平均质量分 75
夜未涣
在秃头的道路上持之以恒
展开
-
【深度学习】卷积神经网络最大池化运算
在卷积神经网络示例中,我们注意到,在每个MaxPooling2D层之后,特征图的尺寸都会减半。例如在第一个MaxPooling2D层之前,特征图的尺寸是26*26,但最大池化运算将其减半为13*13。这就是最大池化的作用对特征图进行下采样,与步进卷积类似。提示以下是本篇文章正文内容,下面案例可供参考。...原创 2022-07-18 16:14:20 · 3651 阅读 · 1 评论 -
【深度学习】怎么为模型选择正确的最后一层激活和损失函数
当我们构建完一个小型的卷积神经网络时,我们通常要考虑网络最后一层激活函数和损失函数的选择。以下分别讲解了部分激活函数和损失函数。激活函数是神经网络中对输入数据进行计算的非线性函数,如果没有激活函数的加持,那么神经网络仅仅对输入数据做简单的线性变化,只能解决线性问题。以下是一个二分类的任务,通过该分类任务我们来观察激活函数到底起到了什么作用。然而再加入了激活函数之后,我们便可以计算非线性的问题。上图经过激活函数之后,我们可以用一条曲线将其分开,分类的结果如下:损失函数用来评价模型的预测值和真实值不一样的程原创 2022-07-13 20:25:12 · 1763 阅读 · 0 评论 -
【深度学习】运用mnist数据集实例化一个简单的卷积神经网络
MNIST是一个手写体数字的图片数据集,该数据集来由美国国家标准与技术研究所(National Institute of Standards and Technology (NIST))发起整理,一共统计了来自250个不同的人手写数字图片,其中50%是高中生,50%来自人口普查局的工作人员。该数据集的收集目的是希望通过算法,实现对手写数字的识别。同样,MNIST数据集作为众多人工智能入门练习的数据集,受众广泛,今天我们搭建一个最简单的卷积神经网络就是运用到MNIST数据集。MNIST数据集可以通过keras原创 2022-07-10 11:12:08 · 1309 阅读 · 0 评论