- 博客(4)
- 收藏
- 关注
RSS订阅原创 pytorch实现循环神经网络
对循环神经网络的研究始于二十世纪80-90年代，并在二十一世纪初发展为深度学习（deep learning）算法之一 ，其中双向循环神经网络（Bidirectional RNN, Bi-RNN）和长短期记忆网络（Long Short-Term Memory networks，LSTM）是常见的循环神经网络 [3]循环神经网络在自然语言处理（Natural Language Processing, NLP），例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。
2023-05-04 22:41:37
128
1
原创 池化层相关算法
一般的CNN都需要输入图像的大小是固定的，这是因为全连接层的输入需要固定输入维度，但在卷积操作是没有对图像尺度有限制，所有作者提出了空间金字塔池化，先让图像进行卷积操作，然后转化成维度相同的特征输入到全连接层，这个可以把CNN扩展到任意大小的图像。传统的池化策略输出的是单一大小的特征映射，而多级的输出已经显示了对目标形变的鲁棒性，所以结合多级金字塔的池化策略也是可以提高深度网络性能的。最大池化直接取特征区域内得最大值，而平均池化取特征区域内所有值的均值，是两种算法简单的池化方法。1.最大池化与平均池化。
2023-04-07 13:54:38
383
1
原创 使用pytorch库实现卷积神经网络
在经过多轮卷积层和池化层的处理之后，在CNN的最后一般会由1到2个全连接层来给出最后的分类结果。卷积神经网络的基本结构由以下几个部分组成：输入层（input layer），卷积层（convolution layer），池化层（pooling layer），激活函数层和全连接层（full-connection layer），具体结构如下图所示。三维矩阵的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道。卷积神经网络的核心是卷积层，卷积层的核心部分是卷积操作。来替代一般的矩阵乘法运算的神经网络。
2023-03-27 19:14:52
376
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