- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习/数据可视化
TF-char10-卷积神经网络CNN
本篇文章中主要是介绍卷积神经网络CNN 神经元和神经网络 卷积 什么是卷积 动态卷积 重要概念 全连接网络 局部相关性 权值共享性 离散卷积 一文看懂CNN ? ---- 神经元 ? 最左边的原始输入信息称之为输入层：众多神经元（Neuron）接受大量非线形输入讯息。输入的讯息称为输入向量 最右边的神经元称之为输出层：讯息在神经元链接中传输、分析、权衡，形成输出结果。 全连接网络 下面是一个4层的全连接网络 输入时28*28，打平后是784节点的手写数字图片 中间的隐藏层的节点数是256 输出层的节点是10 ? 类别的概率分布, [b,784] ---> [b,10] y_onehot = tf.one_hot(y, depth=10) loss = criteon(y_onehot, out) #
1.7K20发布于 2021-03-02 - 来自专栏JNing的专栏
【tensorflow】TFRecord读写机理
1.tfrecord，写的时候是一行一行地写的，读的时候是每batch个行地读的。
80110发布于 2020-03-17 - 来自专栏机器学习之禅
10 | 多层神经网络、激活函数、学习能力
为了更好的理解神经网络，这里我们把假设的关系改成一个二次函数，接下来的事情就是研究怎么用神经网络来找到其中的参数，模拟这个二次函数。 人工神经网络 要学习写代码，我们先来学一些概念知识。 看看神经网络模型和我们前面用的线性模型有什么区别。大家估计都已经知道了，神经网络这个词大概是受到了大脑神经系统的启发，所以被称作人工神经网络。 对神经系统的生物学意义感兴趣的朋友可以在网上找一个神经系统公开课学一下。 神经网络是现在深度学习的核心，神经网络就是一种能够通过简单函数的组合来表示复杂函数的数学实体。 通过上面的描述我们可以大概知道，神经网络中的每一个神经元都是一个简单函数，那么它是怎么去组合的呢？我们来看一下书中的原图。 多层神经网络 看完上一个小例子，我们先不纠结里面概念的细节，一个个来解决。让我们不妨先深入看一下，什么是多层神经网络。看过图你大概就明白了，一个多层神经网络也是由我们前面提到的神经元构成。
56720编辑于 2022-07-11 - 来自专栏信数据得永生
TensorFlow 卷积神经网络实用指南：6~10
训练了生成神经网络模型，以产生类似于训练集的数据样本。 由于模型参数的数量小于训练数据的维数，因此迫使模型发现有效的数据表示形式。 自编码器 我们将要看到的第一个生成模型是自编码器模型。 自编码器是一个简单的神经网络，由两部分组成：编码器和解码器。 这个想法是编码器部分会将您的输入压缩到较小的尺寸。 然后，从这个较小的维度尝试使用模型的解码器部分重建输入。 在某些情况下，用于进行网络预训练的数据集甚至可以是合成的，可以从计算机图形引擎（例如 3D Studio Max 或 Unity）或其他卷积神经网络（例如 GAN）生成。 为了获得高表现的神经网络，将数据集正确划分为训练集，开发集和测试集非常重要。 它有助于更快地迭代。 另外，它允许更有效地测量算法的偏差和方差，以便我们可以选择有效方式进行改进的方法。 但是，深度神经网络的强大功能来自其随输入的数据量进行扩展的能力。 简而言之，这意味着您可以用来训练模型的数据越好，越干净，结果越好。
1.2K20编辑于 2023-04-23 - 来自专栏人工智能头条
iOS 10 和macOS中的神经网络
原文：Neural Networks in iOS 10 and macOS 作者：Bolot Kerimbaev 编译：刘崇鑫 责编：周建丁（zhoujd@csdn.net） 长期以来，苹果公司一直在其产品中使用了机器学习 作为应用开发者，我们已经利用了苹果的API提供的一些功能，如人脸检测，并且从iOS10开始，我们将获得能用于语音识别和SiriKit的高级API。 但是现在，我们有了用于神经网络的第一方支持：在2016年的WWDC上，苹果公司推出了两个神经网络的API，分别称为基础神经网络子程序（BNNS）和卷积神经网络（CNN）。 神经网络是构建机器学习系统最常用的模型之一。 神经网络由多个层构造，其中每个层由一个或多个节点组成。最简单的神经网络具有三层：输入、隐藏和输出。
1.5K30发布于 2018-06-06 - 来自专栏Golang语言社区
channel机理及调度理解
Alt 2{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task; 7Alt *xalt; 8}; 9struct Altarray 10
56130发布于 2018-07-26 - 来自专栏Golang语言社区
channel机理及调度理解
Alt 2{ 3Channel *c; 4void *v; 5unsigned int op; 6Task *task; 7Alt *xalt; 8}; 9struct Altarray 10
47130发布于 2018-07-26 - 来自专栏深度学习|机器学习|歌声合成|语音合成
第10节卷积神经网络CNN及其numpy复现
Hinton教授提出 具有多个隐含层的神经网络具有更好的特征学习能力,每一层特征的抽取都是前一层的抽象,学习到的特征能更好的刻画数据.也恰恰符合生物大脑的认知. 通过逐层初始化的逐层预训练,可以找到一个接近最优的神经网络的权值,然后通过微调对整个网络进行优化训练,从而大幅减少训练多层神经网络所需要的时间. CNN基础 卷积神经网络包含了由卷积层和子采样层构成的特征抽取器.一个卷积层包含若干个特征平面(featureMap)每个特征平面由一些矩形排列的神经元组成.统一特征平面的神经元共享权值.共享权值就是卷积核 每个神经元都对局部进行感知,然后更高层对局部信息增和起来得到全局信息. 卷积操作 卷积计算就是利用卷积核对相邻的像素点进行加权求和的过程.然后用relu函数进行激活操作.
61210编辑于 2022-01-06 - 来自专栏网络信息安全
熊猫烧香（中）病毒释放机理
熊猫烧香（中）病毒释放机理 1、sub_40277C子函数 2、sub_405684子函数 3、sub_403ED4子函数 4、sub_4057A4子函数 5.分析sub_4057A4后续删除功能 6.
95210编辑于 2024-03-12 - 来自专栏AustinDatabases
PostgresQL MVCC 机理与 还得学习
昨天写了些 MYSQL MVCC ，今天就的搞搞 PostgresQL 的MVCC ，最近从某些网站上获得的信息，PostgresQL的 相关人员的需求量在国内开始增加，但和需求相比，会的人少，所以你懂得。
90730发布于 2019-09-05 - 来自专栏新智元
图同构在PNP问题上重大突破，计算机理论10年最重要成果
麻省理工学院的计算机科学家 Scott Aaronson 把它称为计算机理论领域十年以来最重要的成果。 或者多于4*10^2567种的对应关系。也有减少对应关系数目的方法，比如我们对它加一些限制条件，但是那也是在n（代表学生的数量）的指数级数量的对应关系。
15.2K50发布于 2018-03-13 - 来自专栏SeanCheney的专栏
第10章 使用Keras搭建人工神经网络·精华代码
所以要建一个验证集，另外，因为要用梯度下 # 降训练神经网络，必须要对输入特征进行缩放。 每个紧密层只负责自身的权重矩阵，权重矩阵是神经元与输 # 入的所有连接权重。紧密层还要负责偏置项 # （每个神经元都有一个偏置项）矢量。 个神经元的输出层（每有一个类就要有一个神经元），激活函数是softmax（保证输出的 # 概率和等于1，因为就只有这十个类，具有排他性） model.add(keras.layers.Dense(10, 为节省时间，周期数设成10 history = model.fit(X_train, y_train, epochs=10, validation_data=(X_valid, y_valid)) 区别在于输出层只有 # 一个神经元（因为只想预测一个值而已），也没有使用激活函数，损失函数是均方误差。
1.8K40发布于 2019-10-21 - 来自专栏mathor
CIFAR-10 数据集实战——构建ResNet18神经网络
self.blk4 = ResBlk(512, 512, stride=2) self.outlayer = nn.Linear(512*1*1, 10 ) out = model(x) print("ResNet:", out.shape) 结果报错了，错误信息如下 size mismatch, m1: [2048 x 2], m2: [512 x 10 self.blk4 = ResBlk(512, 512, stride=2) self.outlayer = nn.Linear(512*1*1, 10 因此整个网络最终输出的shape就是[batchsize, 10] 最后我们把之前训练LeNet5的代码拷贝过来，将里面的model=LeNet5()改为model=ResNet18()就行了。 DataLoader from torchvision import datasets, transforms batch_size=32 cifar_train = datasets.CIFAR10
2K50发布于 2020-01-22 方法论|机理分析法
为什么需要机理分析法 在现实生活中，影响一个问题的因素往往不止一个，分析问题时就需要从不同方向考虑，所以就引入了机理分析法 算法分析过程和应用步骤： 首先分析现象和结果的影响因素；然后在合理的假设条件下做出各种因素与现象和结果的关系 结语 在运用机理分析法时需要考虑各个因素，对于不同的因素可能需要不同的思考方式，最后得出结果时，还要结合实际情况验证分析的正确性。 END
1.5K20发布于 2019-10-14- 来自专栏贾维斯Echo的博客
计算机理论基础
16G DELL 2U R720 16核心32线程 主频2.0 E5-2650 *2个、 32G内存、 600GSAS硬盘*4块 DELL H710阵列卡 带512缓存+电池、单750W电源 10 硬raid：通过硬件来实现磁盘阵列 软raid：通过软件来实现磁盘的阵列 硬raid效率高 22简述raid0、raid1、raid5、raid10的特点及应用场景？ 等量盘的情况下，容量低于raid0 性能：读写速度低于raid0，高于raid1 冗余性：可以坏一块盘，其余两块盘可以通过奇偶校验推导出坏盘的数据 场合：一般的场合都可以用 raid10
73830编辑于 2023-10-18 - 来自专栏python pytorch AI机器学习实践
CIFAR10数据集实战-LeNet5神经网络（中）
as optim def main(): batchsz=32 # 这个batch_size数值不宜太大也不宜过小 cifar_train = datasets.CIFAR10 transforms.ToTensor() # 将数据转化到Tensor中 ]), download=True) # 直接在datasets中导入CIFAR10 按照其要求，这里的参数需要有batch_size, # 在该部分代码前面定义batch_size # 再使数据加载的随机化 cifar_test = datasets.CIFAR10 in_features=120, out_features=84, bias=True) (3): ReLU() (4): Linear(in_features=84, out_features=10 1.1430208683013916 6 1.1112192869186401 7 1.3169642686843872 8 0.7898904085159302 9 1.1472938060760498 10
81410发布于 2019-12-19 - 来自专栏AI科技大本营的专栏
重磅 | 10本经典深度学习和神经网络书籍开放阅读
本着乐于助人、无私奉献的精神，小编特意为大家精选了 10本深度学习相关的书籍。 这些书籍中，有些非常注重理论知识，主要关注神经网络和深度学习背后的数学和相关假设；有些则注重实战，通过代码而不是理论来讲解深度学习。而那种既有理论讲解，同时又有相应的实战训练的书籍。 第六本：《深度学习与计算机视觉——算法原理、框架应用与代码实现》 本书第1篇基础知识，介绍了人工智能发展历程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构 第2篇实例精讲，介绍了Python基础、OpneCV基础、简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。 、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。
1.7K20编辑于 2023-05-08 - 来自专栏python pytorch AI机器学习实践
CIFAR10数据集实战-LeNet5神经网络（下）
as optim def main(): batchsz=32 # 这个batch_size数值不宜太大也不宜过小 cifar_train = datasets.CIFAR10 transforms.ToTensor() # 将数据转化到Tensor中 ]), download=True) # 直接在datasets中导入CIFAR10 按照其要求，这里的参数需要有batch_size, # 在该部分代码前面定义batch_size # 再使数据加载的随机化 cifar_test = datasets.CIFAR10
87730发布于 2020-01-02 - 来自专栏python pytorch AI机器学习实践
CIFAR10数据集实战-LeNet5神经网络（上）
上次课我们讲解了对于CIFAR10数据读取部分代码的编写，本节讲解如何编写经典的LeNet5神经网络。 首先创建python文件，命名LeNet5。 ? nn.Sequential( # 把网络结构放在Sequential中十分方便 ) 下面把网络结构放在Sequential中 注意因为CIFAR10 # 由于不清楚是什么维度变到了120，这里暂时先写2 nn.ReLU(), nn.Linear(120, 64), nn.ReLU(), nn.Linear(84, 10 nn.ReLU(), nn.Linear(120, 84), nn.ReLU(), nn.Linear(84, 10
1.1K20发布于 2019-12-19 - 来自专栏深度学习项目实战快速入门
VGG卷积神经网络实现Cifar10图片分类-Pytorch实战
然而，只有通过实际操作，我们才能真正理解所写代码在神经网络中的作用。我将努力将知识简化，转化为我们熟悉的内容，让大家能够理解和熟练使用神经网络框架。 一、VGGNet概述VGGNet（Visual Geometry Group Network）是由牛津大学视觉几何组（Visual Geometry Group）提出的深度卷积神经网络架构，它在2014 VGGNet之所以著名，一方面是因为其简洁而高效的网络结构，另一方面是因为它通过深度堆叠的方式展示了深度卷积神经网络的强大能力。 VGGNet探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常好 inplace=True) (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (10
82132编辑于 2025-01-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号