池化

5个常用的主干网络模型

VGG出自：2014，牛津大学架构特点：采用重复的3x3卷积核和2x2最大池化层堆叠特征传递：通过连续小卷积核实现渐进
思绪漂移·2025-06-11 20:10

云计算——弹性云服务器（ECS）和裸金属服务器（BMS）

前者通过虚拟化技术将物理资源池化，后者直接提供物理机级别的算力。本文将从技术本质、核心差异、适用场景等维度展开对比，帮助企业和开发者找到最适合自身业务的算力方案。
·2025-06-11 20:10

基于卷积神经网络的 Fashionminsit 数据集分类

4.优化模型性能：通过调整网络结构和超参数（如卷积层数量、卷积核大小、池化层、激活函数等），优化模型的准确率。5.理解过拟合现象：通过
ʚɞ 长腿欧巴·2025-06-11 15:33

python训练营打卡第48天

随机函数与广播机制知识点回顾：随机张量的生成：torch.randn函数卷积和池化的计算公式（可以不掌握，会自动计算的）pytorch的广播机制：加法和乘法的广播机制ps：numpy运算也有类似的广播机制
ppdkx·2025-06-10 16:16

python训练营打卡第41天

知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
·2025-06-10 16:16

【语义分割专栏】3：Segnet原理篇

文章目录前言背景介绍Segnet核心剖析池化索引(poolingIndices)其他细节编码器解码器的对称结构Segnet模型代码结语参考资料前言本篇文章收录于语义分割专栏，如果对语义分割领域感兴趣的，
fouen·2025-06-10 09:32

python打卡day48

知识点回顾：随机张量的生成：torch.randn函数卷积和池化的计算公式（可以不掌握，会自动计算的）pytorch的广播机制：加法和乘法的广播机制ps：numpy运算也有类似的广播机制，基本一致作业：
纨妙·2025-06-10 08:54

第四十一天打卡

知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
wswlqsss·2025-06-09 18:15

DAY 48 随机函数与广播机制

知识点回顾：随机张量的生成：torch.randn函数卷积和池化的计算公式（可以不掌握，会自动计算的）pytorch的广播机制：加法和乘法的广播机制ps：numpy运算也有类似的广播机制，基本一致作业：
MasterLLL0228·2025-06-09 13:08

深入了解linux系统—— 进程池

前言：本篇博客所涉及到的代码以同步到本人gitee：进程池·迟来的grown/linux-码云-开源中国一、池化技术在之前的学习中，多多少少都听说过池，例如内存池，线程池等等。
迟来的grown·2025-06-09 09:44

C#学习第28天：内存缓存和对象池化

内存缓存什么是内存缓存？定义：内存缓存是一种将计算或数据结果暂时存储在内存中的技术，以便快速重复访问。用途：提高数据访问速度，减少数据库或文件系统的反复读取。适用对象：不可变数据或需要频繁读取的数据，如计算结果、查询结果、配置数据等。实际应用场景网页应用中的数据缓存：存储页面片段、用户会话数据、频繁查询的数据库结果等。配置和元数据存储：应用程序配置、功能开关、常量数据。计算密集型任务的结果缓存：如
ghost143·2025-06-08 18:22

cnn卷积神经变体

以下是常见的CNN变体及其核心改进点：一、经典架构演进1.LeNet-5（1998）改进：首个成功应用的CNN，奠定了卷积、池化的基本结构。应用：手写数字识别（MNIST）。
MYH516·2025-06-07 05:07

Ubuntu22.04安装MinkowskiEngine

它支持所有标准神经网络层，例如对稀疏张量的卷积、池化和广播操作。
·2025-06-06 23:57

目标检测我来惹1 R-CNN

提取分类的目标检测框架RCNNFASTERRCNN端到端：一个网络，输入到输出：类别加位置yoloSSD目标检测的任务：分类原理：得到每个类别的概率，取最大概率CNN--卷积神经网络输入层+卷积、激活、池化
吧啦吧啦吡叭卜·2025-06-06 03:48

6.02打卡

卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图5.调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
丁值心·2025-06-05 10:48

目标检测YOLO实战应用案例100讲-电子元器件缺陷智能检测（续）

电子元器件数据集构建3.2.1数据特点3.2.2基于Imgaug的数据扩充方法3.2.3数据标注4基于改进YOLOX的电子元器件缺陷检测方法研究4.1基于YOLOX的检测精度提升改进4.1.1SPP结构的池化替换
林聪木·2025-06-04 16:27

DAY41

知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
weixin_71046789·2025-06-03 11:24

Day 41

卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图5.调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
LiuSu789k·2025-06-02 10:59

Python训练营---Day41

知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
2501_91182850·2025-06-02 05:24

python打卡day41

知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层
纨妙·2025-06-01 09:27

【深度学习】CAB:通道注意力模块

CAB的核心思想通道注意力机制：通过对每个通道的特征进行全局池化，获取全局信息。使用全连接层（
shanks66·2025-05-31 20:24

Pytorch构建LeNet进行MNIST识别 #自用

LeNet由7层组成，包含卷积层、池化层和全连接层：输入层输入为32x32像素的灰度图像（如手写数字扫描图），经过归一化处理。第一卷积层（C1）使用6个5x5的卷积核
BandieraRosa·2025-05-31 08:02

【大模型】Bert应对超长文本

SlidingWindow)将全文切分为多个长度≤512的重叠或不重叠的chunks，每个chunk前后加入[CLS]…[SEP]；分别对每个chunk做推理，得到每段的logits或表示，再通过平均／最大池化或者
油泼辣子多加·2025-05-30 10:16

深度解析 torch.mean 的替代方案

segment_vector=torch.mean(segment_embedding,dim=1)#[1,hidden_dim]这行代码的作用是在指定维度上对张量segment_embedding求平均值，实现类似平均池化的效果
ZhangJiQun&MXP·2025-05-29 12:39

卷积神经网络，CNN反向传播，感受野，池化变种,局部连接机制，可视化实例

卷积神经网络（ConvolutionalNeuralNetworks）一、卷积神经网络的历史发展Neocognitron（1980）由KunihikoFukushima提出，Neocognitron是最早模拟人类视觉皮层结构的人工神经网络架构。它具备层级结构与局部连接机制，可以实现位置不变性的图像识别，是现代CNN的雏形。LeNet-5（1998）YannLeCun等人提出了LeNet-5，这是第
pen-ai·2025-05-28 07:38

AI算力网络与通信领域资源池化：构建高效资源共享体系

AI算力网络与通信领域资源池化：构建高效资源共享体系关键词：AI算力网络、资源池化、通信资源调度、智能共享体系、异构资源管理摘要：本文以“如何让算力和通信资源像共享单车一样随取随用”为核心，从生活场景出发
AI算力网络与通信·2025-05-27 10:12

卷积神经网络踩坑全记录

文章目录一、数据预处理阶段1.图像尺寸不一致2.数据归一化不当3.数据标签错误二、网络结构设计阶段1.卷积层参数设置不合理2.池化层的滥用3.网络层数过深或过浅三、训练过程阶段1.学习率设置不当2.过拟合问题
珠峰日记·2025-05-18 20:59

Python爬虫（28）Python爬虫高阶：Selenium+Splash双引擎渲染实战与性能优化

核心技术对比与选型三、环境搭建与工具链配置1.Docker部署Splash集群2.Selenium环境配置四、双引擎渲染核心实现1.智能路由中间件2.Splash高级Lua脚本控制五、性能优化实战方案1.浏览器资源池化
一个天蝎座 白勺 程序猿·2025-05-18 15:50

Java 性能调优全解析：从设计模式到 JVM 的 7 大核心方向实践

一、复用优化：减少重复的“资源重生术”通过缓冲、缓存、对象池化等技术，避免重复创建高成本资源，实现“一次生成，多次复用”。
混进IT圈·2025-05-17 00:20

深度学习卷积神经网络（CNN）全析：原理、实战、前沿，开启 AI 视觉新时代

接着详解CNN架构，剖析卷积、池化、全连接层与激活函数原理，深挖数学本质，搭配Python实操展示应用流程，猫狗分类案例尽显效果。还涵盖拓展优化、跨领域融合创新，探讨挑战应对。
AI_DL_CODE·2025-05-15 23:17

Java并发编程实战：线程池原理与实践

基础知识线程池的核心思想是通过池化技术，复用线程资源，减少线程创建与销毁的开销。
谢飞机️·2025-05-15 14:41

YOLOv5中的SPPF模块的详细解释（合适新人）

有需要学习相关资料等也可以一起交流，附上学习交流群QQ：1072432415YOLOv5中的SPPF（SpatialPyramidPoolingFast）模块是一种改进型的空间金字塔池化技术，它用于多尺度特征提取
资源补给站·2025-05-13 11:30

BERT类模型

1.BERT类模型是否需要处理[CLS]或池化？
背太阳的牧羊人·2025-05-11 23:04

第24节：卷积神经网络(CNN)-卷积层、池化层与全连接层

一、卷积神经网络概述卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习领域最具代表性的网络架构之一，专门设计用于处理具有网格状拓扑结构的数据，如图像、视频、语音等。CNN通过模拟生物视觉感知机制，实现了对二维乃至三维数据的高效特征提取和模式识别。自2012年AlexNet在ImageNet竞赛中取得突破性成果以来，CNN已成为计算机视觉任务的事实标准，并广泛应用
点我头像干啥·2025-05-09 19:52

云原生 MySQL 架构：从容器化到 Serverless

、云原生数据库的架构范式革命1.1从传统架构到云原生的演进路径在企业数字化转型浪潮中，MySQL架构正经历三次范式迁移：物理机时代：烟囱式部署，资源利用率低于30%虚拟化时代：通过VMware实现资源池化
Pasregret·2025-05-09 18:46

卷积神经网络的实际应用,卷积神经网络应用举例

卷积网络的特点主要是卷积核参数共享，池化操作。
小浣熊的技术·2025-05-08 18:41

LeNet-5详解

以下是其详细解析：1.网络结构LeNet-5由7层组成（不含输入层），包含2个卷积层、2个池化层和3个全连接层。
巷955·2025-05-08 18:41

常见的卷积神经网络列举

结构：卷积层+池化层（当时用Subsampling）+全连接层。使用Tanh激活函数，后续被ReLU取代。意义：奠定了CNN的基本结构。2.AlexNet（2012）提出者：AlexKriz
巷955·2025-05-08 17:36

并发设计模式实战系列(18)：反应器（Reactor）

餐厅点餐系统三、Java代码实现（NIO原生版）1.完整可运行代码2.关键配置说明四、横向对比表格1.Reactor变体对比2.与传统模式对比五、高级优化技巧1.多Reactor线程组2.零拷贝优化3.内存池化技术
摘星编程·2025-05-08 11:27

【人工智能数学基础】——卷积神经网络数学原理：从像素到智慧的视觉之旅

——AI视觉的"显微镜"一、卷积运算：空间特征的数学捕手1.1二维卷积的数学解剖1.2卷积的三大核心特性二、从零实现卷积层：代码透视数学本质2.1纯Python实现二维卷积2.2卷积核的可视化实验三、池化层
Sonal_Lynn·2025-05-06 07:02

卷积神经网络（CNN）详解

一、动因篇卷积与池化的意义卷积神经网络（ConvolutionalNeuralNetwork，CNN）之所以在图像处理中表现突出，源于两个关键操作：卷积（Convolution）与池化（Pooling）
Chaos_Wang_·2025-05-04 09:38

线程池详解

池化技术相比大家已经屡见不鲜了，线程池、数据库连接池、Http连接池等等都是对这个思想的应用。池化技术的思想主要是为了减少每次获取资源的消耗，提高对资源的利用率。
越学习越无知·2025-05-02 21:06

【IP101】图像滤波技术详解：从均值滤波到高斯滤波的完整指南

目录1.均值滤波：图像的"磨皮"大法2.中值滤波：去除"斑点"的绝招3.高斯滤波：高端"美颜"利器4.均值池化：图像"瘦身"术5.最大池化：提取"精华"大法1.均值滤波：图像的"磨皮"大法1.1理论基础均值滤波就像是给图片做面部护理
J先生x·2025-05-02 14:47

手写 CPU 卷积核加速神经网络计算(2)——OpenCL 简单实现卷积、池化、激活、全连接、批归一化（python 实现）

这里使用pyopencl这个支持在python环境下跑opencl的库，用opencl简单实现了卷积、池化、激活、全连接、批归一化这五个算子，没有做其他的算法和内存上的优化。
哦豁灬·2025-04-29 21:04

毕设 深度学习车道线检测（源码+论文）

文章目录0前言1项目运行效果2课题背景3卷积神经网络3.1卷积层3.2池化层3.3激活函数：3.4全连接层3.5使用tensorflow中keras模块实现卷积神经网络4YOLOV56数据集处理7模型训练
kooerr·2025-04-29 03:24

卷积神经网络：池化层

池化层是卷积神经网络（CNN）中的一个重要组成部分，主要用于减少特征图的空间尺寸，从而降低计算复杂度和防止过拟合。池化层通过下采样操作来获取图像特征的显著性，同时保持重要的特征信息。
00&00·2025-04-29 00:03

卷积神经网络(CNN)详解：原理、核心组件与应用实践

文章目录一、卷积神经网络概述二、CNN核心组件详解1.卷积层(ConvolutionalLayer)2.激活函数(ActivationFunction)3.池化层(PoolingLayer)4.全连接层
北辰alk·2025-04-27 07:10

论文笔记--Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks

论文笔记--Sentence-BERT:SentenceEmbeddingsusingSiameseBERT-Networks1.文章简介2.文章导读2.1概括2.2文章重点技术2.2.1池化层2.2.2
Isawany·2025-04-26 10:56

卷积神经网络

全连接层在猫狗分类任务中的作用‌：在猫狗分类任务中，全连接层的主要作用是将卷积层和池化层提取到的特征图转化为最终的分类结果。
淋一遍下雨天·2025-04-25 02:16

【论文速读】BEVDepth: Acquisition of Reliable Depth for Multi-view 3D Object Detection

在定制的高效体素池化和多帧机制的辅助下，BEVDepth在具有挑战性的nuScenes测试集上达到了60.9%的NDS，这是首次相机模型的NDS得分达到60%，同时保持了高效率。整
小圆圆666·2025-04-23 14:13
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他