- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习（课程记录）
MNIST数据集是由0〜9手写数字图片和数字标签所组成的，由60000个训练样本和10000个测试样 本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。ResNet具有34层的权重层，有36亿 FLOPs，只是VGG-19（19.6亿FLOPs）的18%。测试批次包含来自每个类别的恰好1000个随机选择的图像。MNIST 数据集主要由一些手 写数字的图片和相应的标签组成，图片一共有 10 类，分别对应从 0~9。②如果特征图的大小减半，那么过滤器的数量就增加一倍，以保证每一层的时间复杂度相同。
2023-04-18 18:31:52
54
1
原创 神经网络与深度学习（课程记录）
以之前放的图像为例，这里选取的预训练的神经网络含有3个卷积层， 其中第二层输出图像的内容特征，而第一层和第三层的输出被作为图像的样式特征。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。样式迁移常用的损失函数由3部分组成：内容损失使合成图像与内容图 像在内容特征上接近，样式损失令合成图像与样式图像在样式特征上 接近，而总变差损失则有助于减少合成图像中的噪点。可以看到图中的合成图像保留了内容图像的风景和物体，并同时迁移了样式图像的色彩。
2023-04-18 18:12:35
89
1
原创 神经网络与深度学习（课程记录）
最初，PyTorch由Hugh Perkins开发，作为基于Torch框架的LusJIT的Python包装器。的数学操作，但也可以表示数据输入的起点/输出的终点，或者是读取/写入持久变量的终点。参数自适应变化：具有较大偏导的参数相应有一个较大的学习率，而具有小偏导的参数则对应一个较小的学习率。填充（Padding），也就是在矩阵的边界上填充一些值，以增加矩阵的大小，通常用0或者复制边界像素来进行填充。学习率是单调递减的，训练后期学习率过小会导致训练困难，甚至提前结束需要设置一个全局的初始学习率。
2023-03-28 00:05:24
57
原创 神经网络与深度学习（课程记录）
网络结构：见图，u、y是网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层，也可多层（图中是单隐层），前层至后层节点通过权联接。②反向传播是将误差(样本输出与网络输出之差）按原联接通路反向计算，由梯度下降法调整各层节点的权值和阈值，使误差减小。①正向传播是输入信号从输入层经隐层，传向输出层，若输出层得到了期望的输出，则学习算法结束；多层前馈网络的反向传播 （BP）学习算法，简称BP算法，是有导师的学习，它是梯度下降法在多层前馈网中的应用。其中输入为第0层，输出为L层。
2023-03-17 17:21:05
104
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