神经网络学习笔记

【机器学习 & 深度学习】开发工具Anaconda的安装与使用

机器学习python实战：用python带你感受真实的机器学习深度学习：现代人工智能的主流技术介绍往期推荐：【机器学习&深度学习】神经网络简述【机器学习&深度学习】卷积神经网络学习笔记【Python基础
为梦而生~·2024-02-10 01:47

吴恩达卷积神经网络学习笔记（六）|CSDN创作打卡

3.2特征点检测神经网络可以通过输出图片上特征点的（x，y）坐标，来实现对目标特征的识别。我们来看几个例子，假设你正在构建一个人脸识别应用，出于某种原因，你希望算法可以给出眼角的具体位置，眼角坐标为（x，y），你可以让神经网络的最后一层，多出两个数字lx和ly，作为眼角的坐标值.如果你想知道两只眼睛的4个眼角的具体位置，那么从左到右依次用4个特征点来表示这4个眼角，对神经网络稍微做些修改，输出第1
墨倾许·2024-01-25 22:56

吴恩达卷积神经网络学习笔记（二）

一.卷积神经网络（一）1.6三维卷积3指的是颜色通道（RGB）6*6*3分别对应宽*高*通道的数目滤波器也有相对应的3*3*3，由此得到一个4*4的输出。对三维图像进行卷积时，卷积核的通道数要与三维图像的通道数相等。当我们想对图像的多个边缘特征进行检测时，我们可以使用多个卷积核，这样卷积后生成图像的通道数为使用的卷积核的个数。对于三维卷积具体运算的实例如下：如果使用的是下图3*3*3的卷积核，则一
墨倾许·2024-01-25 22:26

[2020-01-13]神经网络学习笔记-梯度验证&参数初始化

看了斯坦福的机器学习视频，讲到神经网络的梯度验证以及参数初始化的部分，记录一下。1.梯度验证有时候训练时，梯度也确实是在下降，但是可能并不是沿着一个比较好的方向，结果导致最后的停止点不是停在相对最优的地方。这时候可以采用梯度验证，即利用某点处的近似理论梯度值来和实际梯度值对比。处的近似理论梯度值：2.参数初始化如果参数初始化为0或者1等常数的话，那么每一层的每个神经元的输出值都会相同（不管迭代多少
wheatfox·2023-11-20 02:40

Python深度学习入门 - - 卷积神经网络学习笔记

文章目录一、卷积神经网络简介二、卷积神经网络的数学原理1、卷积层2、池化层3、感受野三、Python实战卷积神经网络1、LetNet-5网络2、Resnet残差网络3、VGGNet迁移学习总结一、卷积神经网络简介卷积神经网络（ConvolutionalNeuralNetworks，简称CNN）是一种具有局部连接、权值共享等特点的深层前馈神经网络（FeedforwardNeuralNetworks）
szu_ljm·2023-09-25 20:26

Python深度学习入门 - - 人工神经网络学习笔记

文章目录前言一、神经网络原理1、输入层2、全连接层3、激活函数4、损失函数5、前向传播6、反向传播二、Python实战神经网络1.权重初始化技巧2.梯度问题技巧3.模型泛化技巧总结前言如果说机器学习是人工智能的皇冠，深度学习就是这顶皇冠上的明珠，深度学习的出现为人工智能领域的发展拉开了新的序幕。与常见的机器学习模型不同的是，深度学习的数据量更大，特征参数更多，但更重要的是深度学习不需要人为准备特征
szu_ljm·2023-09-25 20:55

深度学习神经网络学习笔记-多模态方向-12-DBpedia: A Nucleus for a Web of Open Data

摘要DBpedia是一个社区努力从维基百科中提取结构化信息，并使这些信息在网络上可用。DBpedia允许您对来自维基百科的数据集提出复杂的查询，并将网络上的其他数据集链接到维基百科数据。我们描述了DBpedia数据集的提取，以及产生的信息如何在网络上发布，供人类和机器消费。我们描述了来自DBpedia社区的一些新兴应用，并展示了网站作者如何在他们的网站内促进DBpedia内容的发展。最后，我们介绍
丰。。·2023-08-16 04:06

深度学习神经网络学习笔记-多模态方向-11-Deep Voice: Real-time Neural Text-to-Speech

摘要本文提出DeepVoice，一种完全由深度神经网络构建的生产质量文本到语音系统。DeepVoice为真正的端到端神经语音合成奠定了基础。该系统由五个主要的构建模块组成:用于定位音素边界的分割模型、字素到音素的转换模型、音素时长预测模型、基频预测模型和音频合成模型。对于分割模型，我们提出了一种使用连接时序分类(CTC)损失的深度神经网络执行音素边界检测的新方法。对于音频合成模型，我们实现了Wav
丰。。·2023-08-16 04:36

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-textcnn

本文目录概念引入摘要大意TextCNN模型的结构正则化手段该模型的超参数研究成果概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evcglove摘要大意在使用简单的CNN模型在预训练词向量的基础上进行微调就可以在文本分类任务上就能得到很好的结果。通过对词向量进行微调而获得的任务指向的词向量就能得到更好的结果。同时也提出了一种即使用静态预训练词
丰。。·2023-08-16 04:05

CNN卷积神经网络学习笔记（特征提取）

一、CNN卷积神经网络可以干的事情：检测任务分类和检索：超分辨率重构：字体识别、人脸识别、医学任务、自动驾驶任务等总结：特征提取相关二、卷积神经网络的整体架构：（1）输入层H*W*C的三维数据（2）卷积层（提取特征）权重参数矩阵filterW当前区域数据：将输入数据划分成小区域，对每个区域进行特征提取滑动窗口步长：卷积核尺寸：H*W，一般是3*3边缘填充：边缘的点被提取次数少，所以给边界paddi
sinounuo·2023-08-08 17:29

深度学习神经网络学习笔记-论文研读-transformer及代码复现参考

摘要优势序列转导模型基于复杂的循环或包括一个编码器和一个解码器的卷积神经网络。最好的表现良好的模型还通过attention连接编码器和解码器机制。我们提出了一种新的简单的网络架构，Transformer，完全基于注意力机制，省去了递归和卷积完全。在两个机器翻译任务上的实验表明，这些模型可以质量优越，同时具有更强的并行性和显著的要求训练时间更少。我们的模型在WMT2014英语-上达到28.4BLEU
丰。。·2023-07-14 12:34

深度学习神经网络学习笔记-多模态方向-13- Multimodal machine learning: A survey and taxonomy

本文为简单机翻，参考学习用1多模态机器学习:综述与分类TadasBaltruˇsaitis,ChaitanyaAhuja，和Louis-PhilippeMorency抽象——我们对世界的体验是多模态的——我们看到物体，听到声音，感觉到纹理，闻到气味，尝到味道。模态是指某件事情发生或体验的方式，当一个研究问题包含多个这样的模态时，它就被称为多模态。为了让人工智能在理解我们周围的世界方面取得进展，它需
丰。。·2023-07-14 12:04

神经网络：损失函数

神经网络学习笔记-损失函数的定义和微分证明http://www.cnblogs.com/steven-yang/p/6357775.html
nightwish夜愿·2023-04-04 22:04

d2l卷积神经网络学习笔记（2）——浅谈残差网络ResNet

1.关于残差网络残差网络从实现原理上并不复杂，但是关于具体的原理一开始比较难理解，找了一些资料也有了一点想法。(1).我们要解决什么问题首先，网络的性能并不是随网络层数加深而上升的，这是很符合直觉的，毕竟有过拟合的先例。但是实际上，即使网络还处于欠拟合，更深层次的网络也会导致性能的下降，也就是网络退化，要理清这一现象，需要先引入一个概念，恒等映射。恒等映射简单的讲就是f(x)=x，在我们预期中，一
Tsparkle·2023-02-07 07:14

bp神经网络matlab实例_人工神经网络学习笔记2——MATLAB神经网络工具箱

神经网络理论的初学者可以利用MATLAB自带的神经网络工具箱来理解ANN算法。神经网络工具箱模型包括如下内容：·感知器·线性网络·BP网络·径向基函数网络·竞争型神经网络·自组织网络和学习向量量化网络·反馈网络神经网络工具箱的使用在命令行窗口输入nnstart，可以打开MATLAB提供的神经网络图形用户界面，如图1所示：图1神经网络图形用户界面再次点击该界面的‘Fittingapp’按钮，打开神经
weixin_39853210·2023-01-23 13:47

神经网络学习笔记（三）——长短时记忆（LSTM）网络

LSTM网络是循环神经网络的一种特殊类型，它可以学习长期以来的信息，它是一种拥有三个“门”结构的特殊网络结构。1.LSTM网络结构原始RNN的隐藏层只有一个状态h，如图1（a），它对于短期的输入非常敏感。LSTM网络增加一个状态c，让它保存长期的状态，如图1（b）。图1新增状态c，称为单元状态。把图1（b）按照时间维度展开，如图2所示。图2由上图可以看出：在t时刻，LSTM网络的输入有三个，即当前
shuyitingting·2023-01-17 15:23

吴恩达卷积神经网络学习笔记（一）

一.卷积神经网络（一）1.1计算机视觉图片分类和图片识别，目标检测，图片风格迁移特征向量的维度卷积神经网络一般应用于计算机视觉领域，由于有的时候图片的像素点很多，导致神经网络输入特征值的维数很多。1.2边缘检测示例弄清一张照片中的物体，利用电脑进行去识别，垂直边缘检测，水平边缘检测。如下图所示，原图是一个661的矩阵，卷积核是一个331的矩阵，经过卷积后得到一个441的矩阵。（为了检测图像中的垂直
星_阳·2023-01-16 00:46

神经网络学习笔记(二)——循环神经网络RNN

循环神经网络RNN文章目录循环神经网络RNN一、概述二、背景三、RNN原理3.1模型结构3.2前向传播3.3反向传播BPTT(back-propagationthroughtime)3.4RNN的分类3.5RNN的改进双向RNN深度RNN四、RNN的简单使用五、总结一、概述  循环神经网络（Recurrentneuralnetwork，RNN）是一类以序列（sequence）数据为输入，在序列的演
Storm*Rage·2023-01-11 07:48

动手学深度学习（现代卷积神经网络学习笔记）

现代卷积神经网络之前的传统的机器学习方式，是传入人工制作选取的图像特征作为输入，训练后送入分类器中，如今是原始图像（可能裁剪）输入网络进行训练。计算机视觉研究人员相信，从对最终模型精度的影响来说，更大或更干净的数据集、或是稍微改进的特征提取，比任何学习算法带来的进步要大得多。大纲主要有以下结构，学习这些结构，包含的思想，有助于以后自己网络模型的搭建AlexNet。它是第一个在大规模视觉竞赛中击败传
遥感人遥感魂·2022-12-30 07:14

神经网络学习笔记9——循环神经网络中的LSTM模型和GRU模型

系列文章目录LSTM视频参考GRU视频参考文章目录系列文章目录前言一、LSTM模型结构二、GRU模型结构三、GRU与LSTM的比较前言循环神经网络（RecurrentNeuralNetwork，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。LSTM是RNN的一种，
RanceGru·2022-12-29 17:23

神经网络学习笔记(三)——长短期记忆网络LSTM

长短期记忆网络LSTM文章目录长短期记忆网络LSTM一、概述二、背景三、LSTM原理3.1模型结构3.2前向传播3.3反向传播3.4LSTM的变体3.4.1PeepholeConnection3.4.2Coupled四、LSTM的简单使用五、总结一、概述  长短期记忆网络——通常被称为LSTM，是一种特殊的RNN，能够学习长期依赖性。由Hochreiter和Schmidhuber（1997）提出，
Storm*Rage·2022-12-29 12:09

小白的神经网络学习

小白的神经网络学习笔记文章目录小白的神经网络学习笔记一.环境配置二.感知器（Perceptron）单层感知器多层感知器（MLP，MultilayerPerceptron）Keras实现三.逻辑回归与交叉熵关于
summer_bugs·2022-12-28 06:02

经典神经网络学习笔记之LeNet（附带代码）

本文是对经典论文“Gradient-BasedLearningAppliedtoDocumentRecognition”的阅读笔记之一，主要介绍LeNet的结构以及参数个数的计算，结合“DeepLearningforComputerVisionwithPythonstarterbundle”所介绍的原理和实验所写。笔者才疏学浅，还望指教。一、理论部分LeNet首次出现是在1998年的论文中，基于梯
我很懒但我很软乎·2022-12-26 16:34

神经网络学习笔记——鸢尾花分类

TensorFlow笔记——鸢尾花分类代码笔记记录实验流程和代码功能，附上关于所涉及到的tensorflow库中函数的解释实验流程数据集读入数据集乱序生成训练集和测试集(即x_train/y_train)数据类型转换配成(输入特征，标签)对，每次读入一小撮(batch)搭建网络定义神经网路中所有可训练参数参数优化嵌套循环迭代，with结构更新参数，显示当前loss测试效果计算当前参数前向传播后的准
XL_0502·2022-12-26 13:02

神经网络学习笔记（3）——梯度下降公式讲解与反向传播算法

结合上上两篇文章的叙述，这一篇文章主要讲解梯度的公式的推导，笔记来自于3B1B的视频，链接会放在最后。同样的，这一篇文章依旧没有代码。上篇文章中稍稍写漏了点东西，就是说在梯度下降过程中，步长是与该点的斜率有关，如果无关的话，那么如果步长太大，是不是就从坑中心滚过去了呀？比如这样：下面开始正文。每层只有一个神经元根据上篇文章的内容，梯度会有正有负，代表的意思就是这个点该如何移动。而每一项的相对大小告
野指针小李·2022-12-26 10:57

神经网络学习笔记8——FPN理论及代码理解

系列文章目录目标分割相关的RPNB站讲解文章目录系列文章目录前言一、金字塔结构图（a）图（b）图（c）图（d）二、FPN结构1、局部2、整体代码前言特征金字塔(FeaturePyramidNetworks，FPN)的基本思想是通过构造一系列不同尺度的图像或特征图进行模型训练和测试，目的是提升检测算法对于不同尺寸检测目标的鲁棒性。但如果直接根据原始的定义进行FPN计算，会带来大额的计算开销。为了降低
RanceGru·2022-12-25 19:12

神经网络学习笔记4——自动编码器（含稀疏，堆叠）（更新中）

目录配套讲解视频1.程序和数据集2.自动编码器2.1自编码器原理2.2代码实现3.堆叠式自编码器4.稀疏自编码器4.1稀疏编码4.2.稀疏自编码器配套讲解视频建议配合视频阅读博文10分钟学会自动编码器从原理到编程实现_哔哩哔哩_bilibili10分钟学会自动编码器从原理到编程实现1.程序和数据集链接：https://pan.baidu.com/s/1aSNq94BJuKsiKO5gNGF29Q提
奥利奥好吃呀·2022-12-25 04:07

神经网络学习笔记2.2 ——用Matlab写一个简单的卷积神将网络图像分类器

配套视频讲解10分钟学会matlab实现cnn图像分类_哔哩哔哩_bilibili10分钟学会matlab实现cnn图像分类整体代码链接：https://pan.baidu.com/s/1btnY-jZXMK9oj3ZQxDvz8g提取码：k4v8可以打开代码，我来一步一步为你讲解，每步的含义，还有你该如何使用！目录1.为了便于理解，这里说一些基本概念，会的直接跳过程序在后面1.1通道数1.2全连
奥利奥好吃呀·2022-12-25 04:05

图卷积神经网络学习笔记

图卷积神经网络学习笔记前言整体看待从卷积、CNN、GCN的关系来切入GNN与GCN的关系图的特征图的特征分析特征提取方式spectraldomainGCN的特征提取方式从拉普拉斯矩阵的特征分解开始Graph
四十不嚯·2022-12-24 17:51

深度学习（二）：深度学习与神经网络学习笔记（手记）

下面的照片顺序可能与当时学习记录的顺序不一致。1.感知机模型，CNN模型的前身:2.sigmoid激活函数：3.神经网络的前向传播与反向传播计算过程例子：4.神经网络的前向传播与反向传播计算过程例子（续）：5.Relu、Softmax,Sigmod激活函数，mnist、cifar10CNN模型，以及Keras开发平台模型类型：6.BatchNorm的概念以及安装Tensorflow的一些流程：7.
夜风里唱·2022-12-17 11:41

神经网络学习笔记（2）——代价函数与梯度下降简介

同样的，这篇还是纯理论，不涉及代码部分。有些地方我也没有深究，所以有可能会有错误，如有错误，请麻烦指正。目录代价函数梯度下降梯度偏导数方向导数公式：参考结合上篇文章的内容，我们不妨来想一下，在最开始的时候，整个网络是混乱的，那么我们要怎样才能找到最合适的权重和偏置呢？由于神经网络是需要学习的，所以学习的过程就是找到最合适的权重和偏置。于是我们就要引入代价函数。代价函数继续借用3B1B的栗子，假设我
野指针小李·2022-12-16 23:06

图神经网络学习笔记:Metapath2vec

1.图的构建importnumpyasnpimportrandomimporttimeimporttqdmimportdglimportsysimportosnum_walks_per_node=1000walk_length=100path='./net_dbis'defconstruct_graph():paper_ids=[]paper_names=[]author_ids=[]author
小黑无敌·2022-12-15 18:18

感知器与BP神经网络学习笔记

（一）感知器1.1基本介绍感知器学习算法是神经网络中的一个概念，单层感知器是最简单的神经网络，输入层和输出层直接相连，每一个输入端和其上的权值相乘，然后将这些乘积相加得到乘积和，这个结果与阈值相比较（一般为0），若大于阈值输出端就取1，反之，输出端取-11.2感知器分类算法步骤权重向量W，训练样本X1.把权重向量初始化为0，或把每个分类初始化为[0,1]间任意小数2.把训练样本输入感知器，得到分类
阿尔贝罗贝洛·2022-12-11 19:01

BP神经网络学习笔记1-结构、感知器、传播方式、python代码实现简单的BP神经网络

1.BP网络的提出BP神经网络是一种按照误差你先传播算法训练的多层前馈神经网络2.BP网络的结构：BP神经网络是一种典型的非线性算法。BP神经网络由输入层、输出层和之间若干层(一层或多层)隐含层构成，每一层可以有若干个节点。层与层之间节点的连接状态通过权重来体现。只有一个隐含层的时候，这样的BP神经网络属于传统的浅层神经网络;当有多个隐含层的时候，这样的BP神经网络属于深度学习的神经网络。3.感知
小李不熬夜呀·2022-12-11 19:59

神经网络学习笔记

目录一、卷积神经网络1、卷积（食物与消化）2、卷积神经网络3.卷积层二、感知机二、图像分割一、卷积神经网络不稳定输入，不稳定输出，求系统存量周围像素点如何产生影响过滤器，一个像素点的试探1、卷积（食物与消化）（1）将进食在此刻的量看作是f，将消化食物在此刻的比例看作是g，卷积结果就是此刻胃内食物的余量。（2）f系统不稳定的输入，g系统稳定的输出，卷积结果就是系统存量。（卷积的物理意义）一边吃一边消
m0_59418293·2022-12-11 19:52

神经网络学习笔记--基于matlab的感知器

详细理论可参考https://blog.csdn.net/fieldoffier/article/details/44264715本文仅提供实例和经验。题目：已知向量P=[-0.5-0.50.3-0.1-4;-0.50.5-0.51.05]；T=[11001];求Q=[0.7-0.5;1.2-0.5]解读：对Q向量进行分类，由已知的P和T训练一个感知器。有监督的学习，单层神经网络。第一步：观察P,
Fdecad·2022-12-11 19:22

感知器与神经网络学习笔记

感知器：一种人工神经单元。感知器要求有多个二进制的输入，但只生成一个二进制的输出。利用权重来衡量各个输入的重要性。将输入的加权和与已经设定好的阈值作比较，根据比较的结果来判别感知器的输出结果。通过改变权重和阈值，可以得到不同的决策模型。一般来说，越复杂的网络越有助于我们在让计算机决策时做出更微妙的决定。上图中有三个感知层，每一层上的每一个感知器单元都是在根据上层感知器单元传递的值和权重来调整自己的
周清冽·2022-12-11 19:50

DeepLearning神经网络学习笔记(一)

第一部分机器学习基础1.基本概念1.1定义1.2流程2.三个要素2.1模型2.1.1判别模型和生成模型2.1.2概率模型和非概率模型2.2学习准则2.2.1损失函数2.2.2风险最小化准则2.3优化算法2.3.1梯度下降法2.3.2随机梯度下降法2.3.3小批量梯度下降法1.基本概念首先需要明确的一个概念，深度学习是一个机器学习问题。我们要想学习系统的深度学习，就必定需要一些机械学习的基础。那么它
计算机系伪文青·2022-12-09 14:57

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-word2evc-基于向量空间中词表示的有效估计

word2evc-基于向量空间中词表示的有效估计目录概念引入摘要大意介绍词的表示方式评价指标词向量训练方式复杂度的降低负采样重采样(SubsamplingofFrequentWord)研究成果概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导HuffmanTree（哈夫曼树）哈夫曼树是一种带权路径长度最短的二叉树，亦称最优二叉树数字表示权重，图a是常见的
丰。。·2022-12-09 10:24

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-char_embedding

本文目录概念引入由来摘要大意C2W模型语言模型的训练流程词性标注模型研究成果概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evc由来词向量的学习在自然语言处理的应用中非常重要，词向量可以在空间上捕获词之间的语法和语义相似性。但是词向量机制中是假设词和词之间是独立的，这种独立性假设是有问题的，形式的一致性会导致功能的一致性。但这种形态和功能之
丰。。·2022-12-09 10:24

西瓜书 第五章 神经网络学习笔记

这一章对人还是比较友好的，主要就是公式比较复杂，个人觉得这一章不如吴老师深度学习课程讲得好，有需要的小伙伴请移步B站学习。文章目录前言一、感知机与多层网络二、BP算法三、其他常见的神经网络RBF网络ART网络SOM网络级联相关网络Elman网络Boltzmann机三、深度学习前言``以下是我个人的一些理解。多多见谅一、感知机与多层网络感知机有两层神经元组成，分为输入层和输出层，输入层接受外界输入信
欢桑·2022-12-08 08:15

深度学习神经网络学习笔记-自然语言处理方向-论文研读-情感分析/文本分类-glove-Global Vectors for Word Representation

本文目录概念引入介绍摘要大意模型原理模型的公式推导模型效果对比概念引入逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evc该篇论文的背景word2evc提出的方法无法使用全局的统计信息矩阵分解方法在词对推理的任务上表现很差介绍LSA和word2vec，一个是利用了全局特征的矩阵分解方法，一个是利用局部上下文的方法。GloVe模型就是将这两中特征合并
丰。。·2022-12-06 14:12

神经网络学习笔记2——VGGNet神经网络结构与感受野理解与代码

系列文章目录神经网络学习笔记1——ResNet残差网络、BatchNormalization理解与代码文章目录系列文章目录前言一、结构展示1、VGG16图形化2、VGG表格化二、结构学习1、特点2、VGG16
RanceGru·2022-12-06 11:55

深度学习卷积神经网络入门基础篇（神经网络与反向传播）

卷积神经网络学习笔记一神经网络模型1.1M-P神经网络模型M-P神经网络-激活函数1.2感知机1.3前馈神经网络1.4误差反向传播1.4.1神经网络前向传播1.4.2误差反向传播1.4.3梯度下降优化器
懒续缘·2022-12-05 17:57

深度学习神经网络学习笔记-自然语言处理方向-论文研读-阅读理解-NLP-MRC

本文目录概念引入机器阅读理解的简要介绍论文研究背景相关数据集的时间脉络问答系统的分类研究成果实验结果概念引入有关中文实体命名识别逻辑回归线性回归时间序列分析神经网络self-attention与softmax的推导word2evcglove双向LSTM机器阅读理解的简要介绍在2002年的一篇论文中，学者C.Snow将阅读理解定义为“通过互动从书面文本中提取和构建文本语义的过程”。机器阅读理解的目标
丰。。·2022-12-05 16:00

卷积神经网络学习笔记-基础知识

1、卷积神经网络结构卷积神经网络结构包括：全连接层，卷积层，下采样层。全连接层是许许多多得神经元相互链接得到，输入xi×权重w求和加偏置，经过激活函数得到输出y。将神经元列与列排列，列于列之间全连接，就得到了bp（backpropagation）神经网络，算法包括前向传播和误差的反向传播。激活函数一般使用Sigmoid或是ReLu函数。引入非线性因素，让其有解决非线性的能力。卷积是一个卷积核在图像
h奕明·2022-12-03 13:05

卷积神经网络学习笔记-分类网络（一）

目录1.1Alexnet1.2Alexnet构建2.1VggNet2.2VggNet构建3.1GoogleNet3.2GoogleNet构建4、引用1.1Alexnet网络亮点是基于ImageNet数据集的卷积神经网络，比起其他模型，卷积神经网络的分类错误指标明显减少。1.使用了多块GPU进行加速2.在全连接前两层使用了dropout随机失活的技术，减少过拟合其结构如下图所示：1.2Alexnet
h奕明·2022-12-03 13:05

神经网络学习笔记1

*打工人的第三周学习目标和渠道*#神经网络算法的学习看斯坦福计算机视觉课程，看完相关笔记并完成作业看吴恩达的机器学习（还没开始看）某博主总结：https://yoyoyohamapi.gitbooks.io/mit-ml/content/看andrejkapathy的博客和文章注1：课程和博客看起来的会有些晦涩难懂，建议辅助看些入门资料，如下：（1）什么是神经网络？https://blog.csd
vitalgirl·2022-12-03 13:58

d2l卷积神经网络学习笔记（1）

1.由于输入数据为图像，1024*1024*3水平的特征数量难以处理，通过引入卷积核进行对输入图像像素的批量卷积（或者按照d2l的说法，互相关运算，我觉得这个描述更能体现卷积核在其感受野内对图像小范围整体学习的特性）进行整体层面的特征学习。2.通过调节卷积核，可以方便的降低特征数量。单通道stride为1且不考虑填充情况下，对a*b尺寸的图像通过一个c*d尺寸的卷积核，能够将a*b像素代表的信息压
Tsparkle·2022-12-03 05:36

图神经网络学习笔记（2）——图滤波器

本文参考书目为《深入浅出图神经网络：GNN原理解析》图滤波器参考之前的学习笔记图神经网络学习笔记（1）——图信号与图傅里叶变换，图信号定义在图的节点上，图信号处理不仅需要考虑图的信号强度，也需要考虑图的拓扑结构
王志晗·2022-12-02 14:50
上一页 1 2 3 4 5 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他