- 博客(8)
- 收藏
- 关注
原创 神经网络与深度学习第五周课程总结
YOLO算法的包围框与其他目标检测算法的不同之处在于,它的检测结果是通过对整张图像进行一次前向传播计算得出的,而不是通过在图像上滑动窗口来进行检测的。YOLO的核心思想是将目标检测任务转化为一个回归问题,即对图像的每个像素点进行预测,预测其所属的类别以及包含该像素点的物体的位置和大小。NMS算法的主要思想是遍历所有的预测框,并选择置信度最高的框作为基准框。目标检测有许多不同的算法,其中包括传统的基于特征提取和分类器的方法,以及现代的基于深度学习的方法,如卷积神经网络(CNN)和循环神经网络(RNN)。
2023-04-10 08:51:52 205
原创 神经网络与深度学习第四周课程总结
与MNIST数据集不同,Fashion-MNIST数据集中的图像包含了更加复杂的纹理和形状,因此对于图像分类算法的性能评估更加具有挑战性。在残差模块中,网络在学习一个残差映射的同时,保留了原始的输入特征,这样可以确保高层特征的表示不会损失原始特征的信息。它是对MNIST数据集的一种扩展,由于MNIST数据集在手写数字识别方面的易用性和广泛使用性,因此Fashion-MNIST也得到了广泛的应用。与MNIST数据集类似,Fashion-MNIST数据集的应用也十分广泛,主要用于图像分类算法的验证和性能比较。
2023-04-03 10:09:48 210
原创 神经网络与深度学习第三周课程总结
当卷积核大小为奇数时,可以在输入图像的周围添加相同数量的填充像素,从而保持输出特征图的大小与输入特征图相同。步长的大小越大,输出特征图的大小就越小,但是它能够更快地减少特征图的大小,从而降低模型的复杂度。卷积核的大小通常比输入图像小,因此在进行卷积操作时,卷积核需要在输入图像上滑动,对每个位置进行卷积操作,从而得到一个输出的特征图。池化操作通常应用于卷积层输出的特征图上,它可以将特征图中某个区域内的像素值合并为一个值,从而降低特征图的空间分辨率。步长的大小决定了输出特征图的大小和空间分辨率。
2023-03-26 23:04:37 174
原创 神经网络与深度学习第二周总结
因此,针对不同的问题,也会有一些改进的BP算法被提出,例如基于动量的BP算法、自适应学习率的BP算法等。BP算法,也称反向传播算法(Backpropagation Algorithm),是一种常用的神经网络训练算法,用于调整神经网络的权重参数,从而实现对给定数据的分类或回归等任务。BP算法是一种迭代算法,其基本思想是利用误差反向传播的方法,通过不断调整神经网络中的权重,使得网络输出与实际输出之间的误差最小化。设我们的神经网络有L层,第l层有nl个神经元,第l层的第i个神经元的输出为。表示激活函数的导数。
2023-03-19 14:18:32 196 4
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