![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
deep-learning
文章平均质量分 95
Senit_Co
这个作者很懒,什么都没留下…
展开
-
Deep Learning -- Dropout
原文站点:https://senitco.github.io/2017/09/08/deep-learning-dropout/ 训练神经网络模型时(Nerual Network),如果网络规模较大,训练样本较少,为了防止模型过拟合,通常会采用Regularization(正则化,e.g. L2-norm、Dropout)。Dropout的基本思想是在模型训练时,让某些神经元以一定的概率不工作。原创 2017-12-27 22:07:56 · 460 阅读 · 0 评论 -
Deep Learning -- Activation Function
原文站点:https://senitco.github.io/2017/09/05/deep-learning-activation-function/ 神经网络的激活函数(activation function)通过引入非线性因素,使得网络可以逼近任何非线性函数,提高网络模型的表达能力,更好地解决复杂问题。 Overview 激活函数通常具有以下性质: - 非线性:使用非线性激活函数的多层原创 2017-12-26 12:14:24 · 605 阅读 · 0 评论 -
Faster R-CNN论文及源码解读
原文站点:https://senitco.github.io/2017/09/02/faster-rcnn/ R-CNN是目标检测领域中十分经典的方法,相比于传统的手工特征,R-CNN将卷积神经网络引入,用于提取深度特征,后接一个分类器判决搜索区域是否包含目标及其置信度,取得了较为准确的检测结果。Fast R-CNN和Faster R-CNN是R-CNN的升级版本,在准确率和实时性方面都得到了较大原创 2017-12-25 11:25:08 · 17186 阅读 · 1 评论 -
Deep Learning -- Regularization
原文站点:https://senitco.github.io/2017/09/10/deep-learning-regularization/ 在训练神经网络时,为了缓解网络规模较大、训练数据较少而可能导致的过拟合(Overfitting)问题,通常会采取正则化(Regularization)方法,以提高模型的泛化能力。 Overview 过拟合具体表现如下图所示,在迭代训练的过程中,模型复杂原创 2017-12-28 11:35:08 · 517 阅读 · 0 评论 -
Linux服务器下安装TensorFlow
原文站点:https://senitco.github.io/2017/07/20/linux-install-tensorflow/ 简单介绍在Linux服务器的个人目录下安装TensorFlow。TensorFlow的安装方式有多种,基于Pip的安装、基于Docker的安装、基于VirtualEnv的安装、基于Anaconda的安装,以及从源码编译安装,这些在官网均有介绍,这里简单记录下基于A原创 2017-12-24 20:27:20 · 10363 阅读 · 0 评论 -
Chinese Text Detection and Recognition
原文站点:https://senitco.github.io/2017/03/03/text-detection-recognition/ The task of Chinese text detection is to localize the regions in a 2D image which contain Chinese characters. The task of Chinese原创 2017-12-01 15:07:31 · 2290 阅读 · 0 评论 -
Deep Learning -- Normalization
原文站点:https://senitco.github.io/2017/09/12/deep-learning-normalization/ Normalization可理解为归一化、标准化或者规范化,广泛应用于诸多领域。整体来讲,Normalization扮演着对数据分布重新调整的角色。在图像处理领域,不同形式的归一化可以改变图像的灰度、对比度信息;在机器学习和神经网络中,Normalizati原创 2017-12-29 15:39:59 · 832 阅读 · 0 评论