![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
ai and machine learning for coders
文章平均质量分 91
琴马天涯
暂无
展开
-
CNN基础知识——卷积(Convolution)、填充(Padding)、步长(Stride)
本文章转载自知乎用户:G-kdom,链接:https://zhuanlan.zhihu.com/p/77471866近几年来,在深度学习领域,”卷积神经网络“一度成为大家的”宠儿“,深受大众青睐(其实就是使用频繁,这没办法啊,效果是真的好,一用就停不下来)那卷积神经网络到底是个什么东西啊?我们今天就来看一下。卷积神经网络(convolutional neural network,CNN)是指至少在网络的一层中使用卷积运算来代替一般的矩阵乘法运算的神经网络,因此命名为卷积神经网络。那什么是卷积运算啊?转载 2021-05-20 14:47:03 · 6702 阅读 · 2 评论 -
3.2.1 ai and machine learning for coders Laurence Moroney 学习笔记(三)chapter3-检测图像中的特征-3.2 建立CNN区分人和马
在本节中,我们将探索一个比Fashion MNIST分类器更复杂的场景。我们将扩展关于卷积和卷积神经网络的知识,尝试对特征位置不总是在同一位置的图像内容进行分类。为此,我创建了马或人类数据集。人-马数据集(The Horses or Humans Dataset)这一部分的数据集包含1000多张300×300像素的图像,其中马和人各占一半,以不同的姿势渲染。你可以在图3-7中看到一些例子。Figure 3-7. Horses and humans正如你所看到的,拍摄对象有不同的方向和姿势,原创 2021-05-06 13:42:10 · 453 阅读 · 0 评论 -
详解keras的model.summary()输出参数Param计算过程
摘要使用keras构建深度学习模型,我们会通过model.summary()输出模型各层的参数状况,如下:________________________________________________________________Layer (type) Output Shape Param # =================================================================d转载 2021-04-25 15:02:27 · 1503 阅读 · 1 评论 -
3.1 ai and machine learning for coders Laurence Moroney 学习笔记(三)chapter3-检测图像中的特征-3.1 认识卷积、学习参数计算
在第2章中,您学习了如何通过创建一个简单的神经网络来开始计算机视觉,该网络将Fashion MNIST数据集的输入像素与10个标签进行匹配,每个标签代表一种类型(或类别)的服装。虽然你创建了一个非常擅长检测服装类型的网络,但有一个明显的缺点。你的神经网络是在小的单色图像上训练的,每个图像只包含一件衣服,而那件衣服是在图像的中心。为了使模型更上一层楼,您需要能够检测图像中的特征。因此,举例来说,与其只看图像中的原始像素,不如我们有一种方法将图像过滤成组成元素。匹配这些元素,而不是原始像素,将有助于我们更原创 2021-04-25 14:29:25 · 210 阅读 · 0 评论 -
2 ai and machine learning for coders Laurence Moroney 学习笔记(二)chapter2 计算机视觉导论(Introduction to CV))
前一章介绍了机器学习工作原理的基础知识。您了解了如何开始使用神经网络编程来将数据与标签匹配,以及如何从中推断可用于区分项的规则。一个合乎逻辑的下一步是将这些概念应用到计算机视觉中,在那里我们将有一个模型学习如何识别图片中的内容,以便它可以“看到”其中的内容。在这个章节中,您将使用一个流行的服装项目数据集,并建立一个可以区分它们的模型,从而“看到”不同类型的服装之间的差异。...原创 2021-04-23 12:58:52 · 459 阅读 · 0 评论 -
1 ai and machine learning for coders Laurence Moroney学习笔记(一)开始机器学习之旅(Getting Started with ML)
机器学习范式是这样的,你有数据,这些数据被标记,你想找出匹配数据和标签的规则。在代码中显示这一点的最简单的可能场景如下。考虑以下两组数字:X = –1, 0, 1, 2, 3, 4Y = –3, –1, 1, 3, 5, 7X和Y值之间存在关系(例如,如果X是-1,那么Y是-3,如果X是3,那么Y是5,等等)。你能看到吗?几秒钟后,你可能会发现这里的模式是Y = 2X - 1。你怎么弄到的?不同的人用不同的方法计算,但我经常听到这样的说法X在它的序列中增加了1,Y增加了2;因此,Y = .原创 2021-04-14 14:32:14 · 443 阅读 · 2 评论