![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习基础
Liam_AI
这个作者很懒,什么都没留下…
展开
-
CNN中卷积层输出形状计算
CNN中卷积层输出形状计算Formula:[(Nh−Kh+Ph+Sh)/Sh]×[(Nw−Kw+Pw+Sw)/Sw].[(N_h-K_h+P_h+S_h)/S_h]×[(N_w-K_w+P_w+S_w)/S_w].[(Nh−Kh+Ph+Sh)/Sh]×[(Nw−Kw+Pw+Sw)/Sw].其中,N(input)为输入,K(kernel)为卷积核,P(padding)为填充,S(stride)为步长,下标h(height)为高度,下标w(width)为宽度。值得注意的是:PPP原创 2020-11-08 10:43:16 · 657 阅读 · 0 评论 -
召回率和精确率的简明理解
召回率和精确率的理解实际上非常简单,精确率是针对我们预测结果而言的,它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),也就是P=而召回率是针对我们原来的样本而言的,它表示的是样本中的正例有多少被预测正确了。那也有两种可能,一种是把原来的正类预测成正类(TP),另一种就是把原来的正类预测为负类(FN)。其实就是分母不同,一个分母是预测为正的样本数,另一个是原来样本中所有的正样本数。...转载 2020-11-07 19:41:36 · 553 阅读 · 0 评论