池化

复现基于PYNQ-Z2的手写数字识别卷积加速器设计

2、在PL端实现卷积神经网络LeNet-5，纯verilog实现，包括卷积层，激活层，池化层，全连接层。3、在PS端输出识别的结果。LeNet-5神经网络卷积：28X28的图片，我们采用6个5X
eachanm·2023-08-16 14:39

FAST-RCNN论文解读

关于R-CNN请见enginelong的博客文章目录SPPnet与R-CNNR-CNN缺点SPPnet改进SPPnet缺点FAST-RCNNFAST-RCNN模型架构ROI池化层FAST-RCNN训练过程预训练模型初始化
enginelong·2023-08-16 10:42

数字孪生卫星互联网：架构与关键技术

针对复杂多变的卫星互联网系统，提出基于机理与数据双驱动的标准化模型处理和生成方法；面对海量信息和不均匀分布形成的数据洪流，提出三级分流的池化存算架构；为了实际系统的特征孪生高保真，设计智能编排与分布式异构的处理平台
米朵儿技术屋·2023-08-16 00:31

纯numpy实现滑动窗口计算，继而完成两种池化和寻找稠密区域的任务

在很多任务中都用得到滑动窗口，比如密集人群计数，标签文件是一张与图片尺寸等大的二维矩阵，人头的中心位置为1，其他位置为0。我想求出这张图片中人头最稠密的一块区域（区域尺寸给定），那么怎么求呢？我想到的办法就是用这个区域的尺寸作为一个固定窗口，在整个标签矩阵中滑动，每滑动到一处，就计算一下当前窗口中“1”的个数，数量最多（加和最大）的区域就是人头最稠密的区域，即当前的窗口。对于滑动窗口计算，最容易想
·2023-08-16 00:04

高并发内存池项目（C++实战项目）

tcmalloc源码项目源码高并发内存池项目源码内存池相关知识1、池化技术池化技术就是程序先向系统申请过量的资源，并将这些资源管理起来，避免频繁的申请和释放资源导致的开销。内存池可以使用池化技术
linux大本营·2023-08-15 21:08

【炼丹侠】如何使用GPU服务器实现CNN训练

CNN的设计灵感来源于生物学中的视觉皮层的工作原理，它使用了卷积操作来捕捉图像中的局部特征，并通过池化操作来减少数据的维度，从而实现特征的平移不变性和空间层次结构的建模。
·2023-08-15 16:42

2019-05-04 Day12

Day127.3池化层池化是缩小高、长方向上空间的运算图像领域主要使用MaxPooling池化层的特征没有要学习的参数通道数不发生变化对微小位置变化具有鲁棒性7.4卷积层和池化层的实现7.4.14维数组使用
BA蓬莱传说·2023-08-15 13:16

实践-CNN卷积层

池化拉平训练一个网络需要2-3天的时间。用经典网络来，一些细节没有必要去扣。
longerVR·2023-08-15 07:50

最大池化|知识补充

最大池化的超参数：规模为2的过滤器，步幅为2对于左上角深蓝色的区域，其中最大的数值是9，所以得到的输出为9；向右移动两个步幅，输出为2；第二行，22的绿色区域内输出为6；向右移动两个步幅，输出为3；最终得到最大池化层的输出为
失眠的树亚·2023-08-15 01:05

解析基于Pytorch的残差神经网络（ResNet18模型），并使用数据集CIFAR10来进行预测与训练

），并使用数据集CIFAR10来进行预测与训练1.0、什么是残差神经网络注：本人才疏学浅，如有纰漏，请不吝赐教残差神经网络其实是与卷积神经网络分不开的，我们知道卷积神经网络可以由很多个卷积层，激活层，池化层组成
邹飞鸣·2023-08-15 00:48

Java线程池

线程池1.概念2.工作流程3.ThreadPoolExecutor参数1.概念线程池是一种利用池化技术思想来实现的线程管理技术，主要是为了复用线程、便利地管理线程和任务、并将线程的创建和任务的执行解耦开来
m0_71645055·2023-08-14 18:57

010_wz_ledr_pytorch深度学习实战_第十一讲——卷积神经网络（CNN）高级篇

以及如何去解决梯度消失问题（ResNet）二、编程GoogleNet中Inception模块其一：关于Inception模块的好处，看这篇文章：Inception模块作用我们将搭建这样的网络输入层->卷积层->池化层
王泽的随笔·2023-08-14 13:24

PyTorch深度学习实战（11）——卷积神经网络

PyTorch深度学习实战（11）——卷积神经网络0.前言1.全连接网络的缺陷2.卷积神经网络基本组件2.1卷积2.2步幅和填充2.3池化2.3卷积神经网络完整流程3.卷积和池化相比全连接网络的优势4.
盼小辉丶·2023-08-14 13:52

【server组件】——mysql连接池的实现原理

目录1.池化技术2.数据库连接池的定义3.为什么要使用连接池4.数据库连接池的运行机制5.连接池与线程池的关系6.CResultSet的设计6.1构造函数7.CDBConn的设计6.1.构造函数6.2.
努力学习的少年·2023-08-14 08:51

yolov5、YOLOv7、YOLOv8改进：注意力机制CA

与通过2维全局池化将特征张量转换为单个特征向量的通道注意力不同，Coor
陈子迩·2023-08-13 20:32

JUC线程池的实战问题引出的一系列原理问题

线程池是一种通过“池化”思想，帮助我们管理线程而获取并发性的工具，在Java中的体现
@Autowire·2023-08-13 14:07

卷积神经网络CNN

1检测任务2分类和检索3超分辨率重构4医学任务5无人驾驶6人脸识别2卷积的作用3卷积特征值计算方法4得到特征图表示5步长和卷积核大小对结果的影响1步长2卷积核6边缘填充方法7特征图尺寸计算与参数共享8池化层的作用
longerVR·2023-08-13 11:54

机器学习&&深度学习——从编码器-解码器架构到seq2seq（机器翻译）

‍作者简介：一位即将上大四，正专攻机器学习的保研er上期文章：机器学习&&深度学习——注意力提示、注意力池化（核回归）订阅专栏：机器学习&&深度学习希望文章对你们有所帮助接下来就要慢慢开始实战了，把这边过了
布布要成为最负责的男人·2023-08-13 07:49

YOLOv3

它不使用任何形式的池化，使用步幅为2的卷积层对特征图进行下采样。这有助于防止通常由池化导致的低级特征丢失。作为FCN，YOL
光和天天小麻花·2023-08-13 04:22

卷积相关点

全连接网络）参数太多，冗余度高，容易过拟合，难以训练二.卷积神经网络1.空间平移的不变性：当输入的图像在空间上发生平移时，CNN的相应不发生改变，即CNN对图像的识别和分类不变；解释：这种不变性是由于卷积和池化来决定的
S_h_a_·2023-08-12 16:55

Learning Deep Features for Discriminative Localization

SomeWords:这里主要是我阅读paper的笔记这篇文章主要是2016年CVPR的一篇文章，中文名是学习用于判别性定位的深度特征，（一）Abstract:在这篇工作中，我们又重新探讨了全局平均池化层
S_h_a_·2023-08-12 16:50

机器学习&&深度学习——注意力提示、注意力池化（核回归）

正专攻机器学习的保研er上期文章：机器学习&&深度学习——常见循环神经网络结构（RNN、LSTM、GRU）订阅专栏：机器学习&&深度学习希望文章对你们有所帮助机器学习&&深度学习——注意力提示、注意力池化
布布要成为最负责的男人·2023-08-12 05:08

【深入理解 线程池】

线程池的优雅关闭线程池的生命周期正确关闭线程池的步骤任务的提交过程分析任务的执行过程shutdonw()与任务执行过程综合分析shutdonwNow()与任务执行过程综合分析总结介绍线程池(ThreadPool)把一个或多个线程通过统一的方式进行调度和重复使用的技术(采用池化
echo_huangshi·2023-08-11 20:07

机器学习——卷积神经网络基础

通俗来讲，其主要的操作就是：接受输入层的输入信息，通过卷积层，激活层，池化层，进行特征的提取与学习，然后通过全连接层完成对比，将分类结果通过输出层输出。
追随远方的某R·2023-08-11 19:50

【滑动窗口】【单调队列】个人练习-Leetcode-2373. Largest Local Values in a Matrix

题目链接：https://leetcode.cn/problems/largest-local-values-in-a-matrix/题目大意：给出一个N*N矩阵，要求做池化操作，选出每个3*3矩阵的最大值
Rstln·2023-08-11 19:06

分割中的解码编码结构-SegNet（包含代码复现）

分割中的解码编码结构-SegNet一前置知识1.1编码器-解码器架构2.2随机丢弃层（dropout）2.3反池化二论文研究背景、成果及意义三论文摘要四引言五相关工作六模型图代码复现一前置知识1.1编码器
桑_榆·2023-08-11 18:02

【torch.nn : Pooling Layers】

kernel_size,stride=None,padding=0,dilation=1,return_indices=False,ceil_mode=False)功能：在由几个输入平面组成的输入信号上应用2D最大池化
zyw2002·2023-08-11 14:05

深度学习：使用卷积神经网络CNN实现MNIST手写数字识别

引言本项目基于pytorch构建了一个深度学习神经网络，网络包含卷积层、池化层、全连接层，通过此网络实现对MINST数据集手写数字的识别，通过本项目代码，从原理上理解手写数字识别的全过程，包括反向传播，
智慧医疗探索者·2023-08-10 15:37

从零开始构建推理框架-5 MaxPooling层的实现

池化层在深度学习网络中的作用一般是用来缓解卷积层对位置的过度敏感性.池化层每次对输入数据的一个固定形状窗口(池化窗口的大小为poolingheight,poolingwidth)中的元素计算输出，池化层直接计算池化窗口内元素的最大值或者平均值
库达ZT·2023-08-10 14:29

池化层的实现

Pooling层根据计算方式不同，划分为最大池化层（MaxPooling）、局部平均池化层（LocalMeanPooling）、全局平均池化层（GlobalMeanPooling）Pooling层的输出计算
城市郊区的牧羊人·2023-08-10 09:28

十四、深度学习之卷积+池化+全连接各层

1、神经网络人脑中有大量的脑神经元。每个脑神经元（图中黑点）都可以看做是一个小的记忆体负责不同的记忆，神经元之间通过树突（图中细线）连接起来。假如人看到一只猫，一个神经元之前见过猫，那么就会把信息往后传，此时神经元处于激活状态；没有见过的啥也不做，处于静止状态。图片的信息就这样，一层一层的通过“见过猫且确信它是一只猫的”神经元往后传递，直到在最后输出一个结果。这个过程叫做大脑的推理。那神经元的这些
vandh·2023-08-10 06:10

卷积神经网络介绍

它通过卷积操作和池化操作实现了对图像等数据的特征提取和分类，具有良好的空间局部特征提取能力和参数共享的优势。本文将介绍CNN的基本原理、结构和应用。
烯晴可·2023-08-10 02:55

用C语言构建一个数字识别深度神经网络

语言构建一个数字识别卷积神经网络1.深度神经网络按照深度学习的理论，随着神经网络层数的增加，网络拟合复杂问题的能力也会增强，对事物特征的挖掘也会更加深入．这里尝试构建一个５层深度的神经网络，包括两个卷积层和两个池化层
Midas-Zhou·2023-08-10 01:13

卷积神经网络

文章目录1.什么是卷积神经网络2.卷积神经网络详解2.1.卷积层的作用2.2.池化层的作用2.3.平坦层处理2.4.全连接层处理3.卷积神经网络是如何训练的主要介绍卷积神经网络(CNN)的相关知识。
铃音.·2023-08-09 20:40

机器学习之卷积神经网络（自用学习笔记）

它总共可以分成四个结构输入层，卷积层，池化层，全连接层。详细介绍CNN1）输入层与普通神经网络类似，但普通神经网络输入可能是一个N维向量，卷积神经网络输入通常是二维或三维的矩阵。
PlutoLilian·2023-08-09 05:59

卷积神经网络

文章目录概述卷积层，池化层卷积池化层-pool卷积神经网络卷积神经网络实战--Cifar训练集数据预处理--图像增强常见的卷积神经网络Alexnet概述卷积神经网络（ConvolutionalNeuralNetworks
@kc++·2023-08-09 05:02

「论文阅读」RandLA-Net：Efficient Semantic Segmentation of Large-Scale Point Clouds

目录1)局部空间编码块(LocSE)2)注意力池化模块（AttentivePooling）3)膨胀残差模块文章提出的局部特征聚合模块并行应用于每个3D点，它由三个神经单元组成:1)局部空间编码(LocSE
小麋鹿跑了·2023-08-08 05:24

CNN实现对CIFAR-10数据集的识别

构建一个卷积神经网络实现对CIFAR-10数据集的识别，CNN使用3个同卷积操作（步长为1，same），卷积层后面接池化层，实现特征降维。最后再用均值池化得到10个特征，输入softmax实现分类。
琅琊天瀚泉·2023-08-08 04:21

【Webserver】——线程池的原理，手写线程池

线程池是一种利用池化技术思想来实现的线程管理技术，主要是为了复用线程、便利地管理线程和任务、并将线程的创建和任务的执行解耦开来。我们可以创建线程池来复用已经创建的线程来降低频繁创建和销毁线程所
努力学习的少年·2023-08-08 02:15

Azure+

虚拟化，通用优势是可以动态扩展；处理能力超强；高可靠，能够备份还原；资源利用率很高；性价比高；按需部署；安全；跨平台；节能环保；团队合作；轻松管理云计算的特点池化资源自助服务灵活弹性:将计算机资源整合到一起
CupricNitrate·2023-08-08 02:40

CV实验之GoogLeNet网络训练总结

一、GoogLeNet网络结构GoogleNet模型的网络深度为22层（如果只计算有参数层，GoogleNet网络有22层深，算上池化层则共有27层），而且在网络架构中引入了Inception单元，从而进一步提升模型整体的性能
Smallngg·2023-08-07 23:20

GoogLeNet创新点总结

ImageNetLargeScaleVisualRecognitionChallenge）比赛的冠军模型，其创新点主要集中在以下几个方面：  Inception模块：GoogLeNet引入了Inception模块，该模块使用不同大小的卷积核和池化层来捕获不同尺度的特征
Make_magic·2023-08-07 23:19

CNN 结构化输出

经常出现的问题是输出平面比输入平面小用于对图像中单个对象分类的常用结构中，网络空间维数的最大减少来源于使用大步幅的池化层Soif希望产生与输入大小相似的输出映射，有如下方法：1）避免将池化放在一起2）单纯地产生一张低分辨率的标签网格原则上可以使用单位步幅的池化操作
陶大明·2023-08-07 23:59

【计算机视觉】关于图像处理的一些基本操作

实现中值滤波计算过程python实现图像的边缘检测Robert算子计算过程python实现图像处理腐蚀算子计算过程python实现Hog（梯度方向直方图）特征计算流程：Hog的特征维度计算公式python实现普通卷积/池化的输出尺寸与感受野计算公式普通卷积的输出尺寸池化操作的输出尺寸卷积的感受野不同卷积的计算量与参数量
zz的大穗禾·2023-08-07 08:13

6.5 池化层

是什么：池化层跟卷积层类似有个滑动窗口，用来取一个区域内的最大值或者平均值。
computer_vision_chen·2023-08-06 21:18

pytorch学习——卷积神经网络——以LeNet为例

填充可以在卷积操作中起到两个主要的作用：3.2.2步幅（Stride）3.3多输入通道3.4池化层四.LeNet一.什么是卷积？当我们谈论"卷积"时，通常指的是数学中的卷积运算。
一只小百里·2023-08-06 19:35

虚拟线程探索与实践（JDK19)

缺点是可读性欠缺，改造难度大；2、虚拟线程：优点是业务侧改造成本低，无需池化，天然隔离。缺点是对native、synchronize方法或者外
程序猿进阶·2023-08-06 19:30

迁移学习（新人必看）

模型训练好的网络，而此时你想训练一个1w自行车数据集（虽然对象一样，但采集的数据会不同），也用VGG模型进行训练，你发现，你们数据集的对象一样，选用的网络模型一样，此时在初始化自己模型权重（就是卷积层，池化层和全连接
笑傲江湖2023·2023-08-06 10:00

PyTorch中nn-XXX与F-XXX的区别

nn.XXX与F.XXXPyTorch中torch.nn**（以下简写为nn）中的模块和torch.nn.functional（以下简写为F）**中的模块都提供了常用的神经网络操作，包括激活函数、损失函数、池化操作等
header-files·2023-08-06 07:03

机器学习&&深度学习——卷积神经网络（LeNet）

‍作者简介：一位即将上大四，正专攻机器学习的保研er上期文章：机器学习&&深度学习——池化层订阅专栏：机器学习&&深度学习希望文章对你们有所帮助卷积神经网络（LeNet）引言LeNet模型训练小结引言之前的内容中曾经将
布布要成为最负责的男人·2023-08-05 06:21
上一页 15 16 17 18 19 20 21 22 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他