您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 简单三层全连接神经网络做二分类问题批量梯度下降结果可视化

  2. python语言编写简单三层神经网络做二分类问题,隐含层激活函数为tanh函数,输出层为sigmoid函数,可视化loss/accuracy随迭代次数的变化以及散点图。
  3. 所属分类:机器学习

    • 发布日期:2018-12-18
    • 文件大小:336896
    • 提供者:qq_27898631
  1. 基于深度学习的图像分类方法研究_孟丹.caj

  2. 本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。本文的研究内容主要包括以下三点:1)提出有约束的高分散主成分分析网络(Constrained High Dispersal PCANet,CHDNet)。本文详细分析了 CHDNet的不同组件对分类性能的影响,针对PCANet的局限性,设计了非线性变化层、多尺度特征池化层,以提高分类性能。将CHDNet应用在医学图像分类中,包括基于Kinect深度图像的人体生理机能自动检测和计算机辅助舌象
  3. 所属分类:深度学习

    • 发布日期:2020-04-02
    • 文件大小:6291456
    • 提供者:olivia_ye
  1. 模式识别作业-习题解答+代码.docx

  2. 反向传播框架下推导学习规则。总结BP算法。描述自组织算法的计算步骤,给出训练算法的框图。指出卷积神经网络需要计算的权重数量;相对于全连接和非权值共享,所减少的权重数量。编写两个通用的三层前向神经网络反向传播算法程序,一个采用批量方式更新权重,另一个采用单样本方式更新权重。隐含层不同结点数目对训练精度的影响;观察不同的梯度更新步长对训练的影响,并给出一些描述或解释。
  3. 所属分类:电信

    • 发布日期:2020-03-27
    • 文件大小:526336
    • 提供者:qq_36918538
  1. 基于卷积神经网络的车牌照字符识别研究

  2. 基于卷积神经网络的车牌照字符识别研究310 第十二届全国图象图形学学术会议 以充分利用人的经验来获取模式特征以及神经网 来正确识别所有样本;Uc4层是网络的输出层即识 终分类能力来识别字符,特征提取必须能反应整 个字符的特征,才能达到较高的识别率;后者则 别层,显示网络最终的模式识别结果。 省去特征抽取,将整个字符直接作为神经网络的 差异提取层Uc的输出姐式(1)所示 输入。这种方式虽然在一定程度上增加了神经网 络结构的复杂度,但是网络的抗干扰性能和识别 n(n,)=max{(-)∑a()l(n
  3. 所属分类:机器学习

    • 发布日期:2019-04-19
    • 文件大小:274432
    • 提供者:suiyu_eran
  1. 基于BP神经网络模型的国家脆弱性问题的求解

  2. 随着人类社会的进步和发展,环境对一个国家的影响不容小觑,其中气候变化对人类生活方式产生深远意义和影响,进而改变国家的脆弱性,本文基于人工智能理论构建了一个国家脆弱性评价模型并利用相关系数法讨论气候变化如何影响区域的不稳定性,发现气候变化对区域稳定性有着举足轻重的作用。问题重述 1.1问题背景 候变化通过对区域稳定性产生影响,进而改变国家的脆弱性,当它与薄弱的政府 治理和社会分裂相结合时,可以引发一系列的暴力恶性事件,通常沿着潜在的民族和政 治分歧发展。早在20世纪90年代,这一概念就已经为一些主
  3. 所属分类:其它

    • 发布日期:2019-03-15
    • 文件大小:1048576
    • 提供者:zrg_hzr_1
  1. tesorflow用于BP神经网络进行回归预测python

  2. tesorflow用于BP神经网络进行回归预测python,可以调节参数,全连接层三个,预测结果print出来,具体数据可造,格式通用即可
  3. 所属分类:互联网

    • 发布日期:2020-06-02
    • 文件大小:2048
    • 提供者:qq_35856667
  1. 基于深度学习的复杂分拣图像快速识别方法研究

  2. 训练速度更快、识别精准度更高的图像识别技术一直是智能技术的研究热点及前沿。针对物流分拣仓库环境复杂、照明度不高以及快递外包装区别不明显的特点,对基于深度学习的分拣图像快速识别进行了研究,设计了一个卷积神经网络。由于仓库的封闭环境和光照条件等因素而导致分拣图像不是很清晰,首先用对偶树复小波变换对其进行降噪等预处理;然后在基于AlexNet神经网络的基础上,对于卷积神经网络的卷积层、ReLU层和池化层参数进行重新定义来加快神经网络的学习速度;最后根据新的图像分类任务对神经网络的最后三层全连接层、So
  3. 所属分类:其它

    • 发布日期:2020-10-15
    • 文件大小:653312
    • 提供者:weixin_38742291
  1. 三层全连接神经网络实现minist图像分类

  2. 本资源使用python编程,同时使用numpy包实现的三层神经网络,没有使用TensorFlow和pytorch等框架或者接口,数据集是minist手写数字数据集,其中还包含将minist照片转化为txt进行保存的代码。
  3. 所属分类:机器学习

    • 发布日期:2020-11-05
    • 文件大小:9437184
    • 提供者:qq_42036189
  1. 卷积神经网络_源代码.rar

  2. 这是我的博客文章:基于深度学习的CIFAR10图像分类 的源代码。 本文实验基于Windows10系统,仿真软件用的是Anaconda下基于python编程的JupyterNotebook编辑器。通过利用Google的深度学习框架Tensorflow,搭建新的卷积网络结构,提出了基于卷积神经网络的CIFAR10图像分类识别算法,主要参照经典的卷积神经网络模型LeNet-5结构,提出新的卷积神经网络结构并对飞机、汽车、鸟类、猫、鹿、狗、蛙类、马、船和卡车10种事物进行分类,该模型构建了一个输入层、
  3. 所属分类:互联网

    • 发布日期:2020-11-28
    • 文件大小:2097152
    • 提供者:weixin_37647148
  1. tensorflow实现简单的卷积网络

  2. 使用tensorflow实现一个简单的卷积神经,使用的数据集是MNIST,本节将使用两个卷积层加一个全连接层,构建一个简单有代表性的卷积网络。 代码是按照书上的敲的,第一步就是导入数据库,设置节点的初始值,Tf.nn.conv2d是tensorflow中的2维卷积,参数x是输入,W是卷积的参数,比如【5,5,1,32】,前面两个数字代表卷积核的尺寸,第三个数字代表有几个通道,比如灰度图是1,彩色图是3.最后一个代表卷积的数量,总的实现代码如下: from tensorflow.examples
  3. 所属分类:其它

    • 发布日期:2020-12-24
    • 文件大小:60416
    • 提供者:weixin_38741317
  1. pytorch三层全连接层实现手写字母识别方式

  2. 先用最简单的三层全连接神经网络,然后添加激活层查看实验结果,最后加上批标准化验证是否有效 首先根据已有的模板定义网络结构SimpleNet,命名为net.py import torch from torch.autograd import Variable import numpy as np import matplotlib.pyplot as plt from torch import nn,optim from torch.utils.data import DataLoader fr
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:94208
    • 提供者:weixin_38696339
  1. 动手学深度学习—卷积神经网络

  2. 卷积神经网络 典型的卷积神经网络由卷积层、池化层、全连接层构成。 卷积层 卷积:在原始的输入上进行特征的提取。特征提取简言之就是,在原始输入上一个小区域一个小区域进行特征的提取。 直观的理解卷积 以上图为例: 第一次卷积可以提取出低层次的特征。 第二次卷积可以提取出中层次的特征。 第三次卷积可以提取出高层次的特征。 特征是不断进行提取和压缩的,最终能得到比较高层次特征,简言之就是对原式特征一步又一步的浓缩,最终得到的特征更可靠。利用最后一层特征可以做各种任务:比如分类、回归等。 卷积层得名于卷
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:206848
    • 提供者:weixin_38750644
  1. PyTorch卷积神经网络案例分析——LeNet

  2. #LeNet 是整个卷积神经网络的开山之作,一共有七层,其实2层卷积和2层池化层交替出现, #最后输出三层全连接层得到整体的结果 import numpy as np import torch from torch.autograd import Variable from torch import nn, optim import matplotlib.pyplot as plt class LeNet(nn.Module): def __init__(self): s
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:25600
    • 提供者:weixin_38661087
  1. 基于python3.6 tensorflow的mnist全连接神经网络手写训练

  2. 一、说明 最近也是刚开始学习tensorflow,一步一步来,把刚写完的mnist代码贴上来,以备不时之需吧。 这个项目是基于全连接神经网络的,两个隐藏层(可扩展,已经封装)784->256->49->10,支持中断后继续训练 二、测试环境 python 版本:3.6 tensorflow版本:1.6.0 系统环境:windows 10 64位  + Visual Studio code 三、资料 mnist官网:http://yann.lecun.com/exdb/mnist
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:48128
    • 提供者:weixin_38697123
  1. -numpy-:全连接神经网络(纯numpy实现,三层),对minist手写测试数据集可以达到87的准确率-源码

  2. -numpy- 全连接神经网络(纯numpy实现,三层),对minist手写测试数据集可以达到87的准确率。
  3. 所属分类:其它

    • 发布日期:2021-03-07
    • 文件大小:2048
    • 提供者:weixin_42117340
  1. 基于空洞卷积的三维并行卷积神经网络脑肿瘤分割

  2. 针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,
  3. 所属分类:其它

    • 发布日期:2021-02-13
    • 文件大小:9437184
    • 提供者:weixin_38509082
  1. 基于改进的全卷积神经网络的资源三号遥感影像云检测

  2. 提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层,采用反卷积方法对特征图进行上采样,优化改进网络结构,并采用Adam梯度下降法加速收敛。利用资源三号云区影像数据集对网络进行训练,将上采样后的影像特征输入sigmoid分类器进行分类。实验结果表明,该方法检测精度和速度均优于传统方法,准确率可达90.11%,单张影像检测耗时可缩短至0.46 s。
  3. 所属分类:其它

    • 发布日期:2021-02-12
    • 文件大小:1048576
    • 提供者:weixin_38689338
  1. 特征融合的卷积神经网络多波段舰船目标识别

  2. 针对海面背景舰船目标单一波段图像识别率低的问题, 提出了一种基于卷积神经网络(CNN)的融合识别方法。该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。模型主要分为3个步骤:通过设计的6层CNN, 同时对三波段图像进行特征提取; 利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序, 并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据; 通过额外的2个全连接层和输出层进行回归训练。采用自建的三波段舰船图像数据库进行模型的训练和测试, 共包含6类目标
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:8388608
    • 提供者:weixin_38681147
  1. 对卷积神经网络CNN的深入研究

  2. 一、基础知识 1.1卷积神经网络(CNN) CNN新出现了卷积层(Convolution层)和池化层(Pooling层), 这两种不同类型的层通常是交替的, 最后通常由一个或多个全连接层组成 卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样(池化)这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性. 诺贝尔奖获得者神经生理学家Hubel和Wie-sel早在1960年代发现了大脑视觉处理的开始阶段对视觉域的所有部分都作用了同样的局部滤波器,而在视觉处理过程
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:494592
    • 提供者:weixin_38679651
  1. 《动手学习深度学习》之三:2.卷积神经网络(CNN)进阶-5种模型(打卡2.5)

  2. 卷积神经网络(CNN)进阶 2.LeNet、AlexNet、VGG、NiN、GooLeNet 5种模型 2.1.LeNet 2.1.1.全连接层和卷积层的比较: 使用全连接层的局限性: • 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 • 对于大尺寸的输入图像,使用全连接层容易导致模型过大。 使用卷积层的优势: • 卷积层保留输入形状。 • 卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算,从而避免参数尺寸过大。 2.1.2.LeNet 模型介绍
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:749568
    • 提供者:weixin_38648968
« 12 »