![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Deep Learning
IceMiao433
在人工智能的探索道路上步履不停
展开
-
神经网络中的参数解读
1.Batch_Size(批尺寸) 该参数主要用于批梯度下降算法(Batch Gradient Descent)中,批梯度下降算法是每次迭代都遍历批中的所有样本,由批中的样本共同决定最优的方向,Batch_Size 正是批中的样本数量。 若数据集比较小,可以采用全数据集(Full Batch Learning)的形式,由全数据确定的方向能更好地代表样本总体,从而更准确地朝向极值所在的方向;但该种原创 2017-05-17 15:17:05 · 23640 阅读 · 0 评论 -
多通道卷积计算
对于单通道图像,若利用10个卷积核进行卷积计算,可以得到10个特征图;若输入为多通道图像,则输出特征图的个数依然是卷积核的个数(10个)。 1.单通道多个卷积核卷积计算 一个卷积核得到的特征提取是不充分的,我们可以添加多个卷积核,比如32个卷积核,从而可以学习32种特征。2.多通道多个卷积核卷积计算 图片:假设图片的宽度为width:W,高度为height:H,图片的通道数为D,一般目前都用R原创 2017-05-18 14:16:41 · 29405 阅读 · 10 评论 -
利用caffe-ssd训练物体检测模型
一.简介 1. 资源code:https://github.com/weiliu89/caffe/tree/ssdpaper:https://arxiv.org/abs/1512.02325 主要文件夹的用途examples/ssd/,存放了训练,测试的脚本,是主要操作的脚本data/,存放了训练、验证和测试所需的数据和代码python/caffe/model_libs.py,存放了生原创 2017-09-08 18:37:19 · 8828 阅读 · 3 评论 -
人脸识别CNN网络微调流程
目标 微调论文”A Lightened CNN for Deep Face Representation”中的29层caffe网络。数据 自己收集的包含500人的亚洲人脸数据集; 训练数据准备 1.获得500人微调数据集之后,使用python源码工具将数据集划分为训练集和验证集:#!---* coding: utf-8 --*--#!/usr/bin/python"""将数据集随机分成训原创 2017-12-06 17:27:10 · 3469 阅读 · 1 评论