- 博客(8)
- 收藏
- 关注
RSS订阅原创 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
164
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
168
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
148
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
134
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