深度学习
weixin_43918691
这个作者很懒,什么都没留下…
展开
-
来自知乎的SVD的深度好文
作者:漫漫成长链接:https://zhuanlan.zhihu.com/p/29846048来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。以下内容来自刘建平Pinard-博客园的学习笔记,总结如下:奇异值分解(Singular Value Decomposition,以下简称SVD)是在机器学习领域广泛应用的算法,它不光可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域。是很多机器学习算法的基石。本文就对SVD的原理做一个总结,并讨论在在PCA转载 2022-02-21 07:57:26 · 257 阅读 · 0 评论 -
nn.CrossEntropyLoss细谈
nn.CrossEntropyLoss细谈nn.CrossEntropyLoss的官方定义This criterion combines LogSoftmax and NLLLoss in one single class.https://pytorch.org/docs/stable/nn.htmlCrossEntropyLoss代码实例import torchy = torch.LongTensor([0])z = torch.Tensor([[0.2,0.1,-0.1]])crit原创 2021-04-10 19:11:21 · 429 阅读 · 0 评论 -
numpy 切片
参考文献:https://www.zmonster.me/2016/03/09/numpy-slicing-and-indexing.htmlhttps://www.quora.com/What-do-the-dots-mean-in-Pythonpython切片总结:切片的形式arr[a:b,c:d,e:f]。 其中的a:b,c:d是不同维度的切片, 用逗号分割,代表不同的维度。切片从最外面的括号逐层向里读,比如下图的arr1是4*2*3的维度,arr1[0] = [[10,20,30],[40原创 2021-01-30 02:00:45 · 111 阅读 · 2 评论 -
奇怪bug,keras加了逗号会报错
def vgg_16_(img_input): # Block 1 512,512,3 -> 512,512,64 x = Conv2D( filters=64, kernel_size=3, padding="same", activation="relu")(img_input) x = Conv2D(filters=64, kernel_size=3, padding="same", activatio..原创 2021-01-27 18:23:52 · 188 阅读 · 0 评论 -
Keras Conv2D和Pytorch Conv2D图片格式的区别
Conv2D中Keras默认input格式和Pytorch input格式的差异Keras的Conv2D的默认输入格式是 batch, width, height, channelPytorch的Conv2D是 batch, channel, width, height下面是图例keras:由上图可见默认是batch, width, height, channelspytorch...原创 2021-01-26 19:44:42 · 1057 阅读 · 0 评论 -
BatchNormalization: 根据每一个batch计算均值方差
本文大部分转自: https://blog.csdn.net/weixin_44278406/article/details/105554268min-max normalization假设在网络中间经过某些卷积操作之后的输出的feature maps的尺寸为N×C×W×H,5为batch size(N),3为channel(C),W×H为feature map的宽高,则Batch Normalization的计算过程如下。3. 相关公式4. 思考根据公式BatchNormaliz原创 2021-01-19 18:15:23 · 735 阅读 · 0 评论 -
卷积神经网络图片的尺寸变化及其推导
大部分转自:https://blog.csdn.net/qq_36444039/article/details/103984502相信很多同学搞机器学习的时候,每一步卷积池化以后,对图片的尺寸和大小很迷茫,不知道如何计算的。这里,我给大家分享几个公式,帮助大家理解。不明白的欢迎在下方留言。1、卷积层(Conv Layer)的输出张量(图像)的大小定义如下:O=输出图像的尺寸。I=输入图像的尺寸。K=卷积层的核尺寸N=核数量S=移动步长P =填充数输出图像尺寸的计算公式如下:上述公式原创 2020-09-30 20:21:19 · 2216 阅读 · 0 评论