深度学习
文章平均质量分 61
冯校
这个作者很懒,什么都没留下…
展开
-
deep learning 卷积神经网络的实现(Convolution Neural Networks)
本节将会讲到卷积神经网络的实现。说到卷积神经网络,在图像识别和目标检测方面已经取得了不错的效果,为什么要叫做卷积神经网络呢?主要是因为在特征提取的时候,输入图像会通过卷积核对原始图像进行特征抽取,然后再通过神经网络进一步进行特征提取,也可以称为降维,再通过分类器得到分类或者识别的结果,斯坦福大学研究人员通过卷积神经网络训练猫的图像,在YouTube视频中找到了关于猫的视频,这也是一个强大的应用。此转载 2016-11-16 14:43:43 · 1331 阅读 · 0 评论 -
卷积和池化
一、首先先给出图示,什么叫卷积。(http://deeplearning.stanford.edu/wiki/index.PHP/)当然很多人会疑问,为什么卷积后的图像会缩小,那是因为在进行图像滤波的时候边缘没有加0进行填充。正常的图像滤波边缘是会填充0,这样滤波出来的图像与原图像的大小保持一致。卷积可以用如下表示式来表示: 训练卷积核的方式(第一种):转载 2016-11-16 14:53:23 · 2623 阅读 · 0 评论 -
深度学习基础1
AI技术研究的兴起,伴随着两种最直观的思维技巧,即遗传算法与神经网络,这是对生物学研究最直观的技术抽象。深度学习的前身就是神经网络,这个80年代灵光乍现的技术,在那一波人工智能的大潮驱使下,带着人们对于未来AI时代的憧憬,迅速蔓延,一时风头无两,和今天深度学习的火热几乎如出一辙。 某乎友的观点给出了这两种技术的鲜明对比,如同麻汁与芝麻酱,换汤不换药,所谓深度在于把二两变成了三转载 2017-04-18 13:21:31 · 799 阅读 · 0 评论 -
cnn介绍
卷积神经网络(ConvolutionalNeural Networks,简称CNN)提出于20世纪60年代,由Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现。 CNN是目前深度学习最大的一个流派,其应用优点在于避免了对图像的复杂前期预处理,可以直接处理原始图像。CNN核心在于“卷积”,传统机器学习中LBP、HOG等特征都可以看作是卷积的一种特殊形转载 2017-04-18 13:25:08 · 5578 阅读 · 0 评论 -
RCNN介绍
RCNN(Regions with CNN features)是将CNN方法应用到目标检测问题上的一个里程碑,由年轻有为的RBG大神提出,借助CNN良好的特征提取和分类性能,通过RegionProposal方法实现目标检测问题的转化。 算法可以分为四步: 1)候选区域选择 Region Proposal是一类传统的区域提取方法,可以转载 2017-04-18 13:27:09 · 55889 阅读 · 0 评论 -
受限玻尔兹曼机详解
第一章:受限玻尔兹曼机1.1 马尔科夫链随机变量:某电子元器件,不同时刻由于原子的移动而产生不同的电压,故在不同的时刻会产生一系列不同的电压,而且在不同时刻t,产生的电压服从不同的分布,定义:某时刻t,电压v(t)就是一个随机变量,在时间t轴上,{X(t),t>=0}定义为一个随机过程。当v(t)是连续的,称为连续参数的随机过程。当v(t)是离散的称为离散参数随机过程。比如天气是否下雨,x原创 2017-12-06 22:27:07 · 2278 阅读 · 0 评论