- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习
比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么Precision的值就是100%，而Recall的值则是20%。每个bb有5个分量， 分别是物体的中心位置(𝑥, 𝑦)和它的高 (ℎ) 和宽 (𝑤) ，以及这次预测的置信度。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。FN:被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；在上图中，每个框代表1个预测的bb，粗细代表不同的置信度，越粗得越高。
2024-04-26 17:03:48
402
原创 神经网络与深度学习
pool1：采用max pooling，pooling核大小为3×3，stride为2，即pooling核的步长是2， 即2倍降采样，此处的pool1层是有交叠的池化层，即 pooling核在相邻位置有重叠。数据集分为五个训练批次和一个测试批次，每个批次有10000 个图像。改进：网络规模进一步增大，参数数量约为1.38亿 ，由于各卷积层、池化层的超参数基本相同，整体结构呈现出规整的特点。网络说明：网络一共有8层可学习层—5层卷积层和3层全连接层，且随网络深入，宽、高衰减，通道数增加。
2024-04-22 12:41:49
528
原创 神经网络与深度学习
深度学习是一种机器学习的方法，它模仿人脑处理信息的方式，通过构建多层次的神经网络模型来模拟人脑神经元进行信息处理。1. 具备强大的特征提取能力深度学习的一个重要特点是其强大的特征提取能力。传统的机器学习算法往往需要人工提取特征，而深度学习可以通过多层次的网络结构自动地学习到数据的深层次特征。2. 具有灵活性和适应性深度学习模型的灵活性和适应性强，可以应用于各种复杂的任务，如图像识别、自然语言处理、策略优化等。3. 高效性且易于集成。
2024-04-08 11:09:58
318
原创 神经网络与深度学习总结
1.线性分类与感知机我们学习了线性回归、线性分类和感知器模型。深入研究了监督学习背景下的训练过程、数据集和权重更新。此外，它还涵盖了诸如积分和触发模型、序列的构建以及在解决问题中使用概率等概念。还涉及贝叶斯公式在二元分类问题中的应用，以及softmax回归在多类回归场景中的使用。此外，还探讨了神经元在生物和人工神经网络中的作用，强调了理解潜在功能和机制的重要性。2.多层前馈网络与误差反传算法在输入和输出层间加一或多层隐单元，构成多层感知器（多层前馈神经网络）。 加一层隐节点（单元）为
2024-03-31 13:12:28
348
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