注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. GPU精粹2：高性能图形芯片和通用计算编程技...part1.rar

  2. 本书目录 第Ⅰ部分 几何复杂性 第1章 实现照片级真实感的虚拟 植物 5 1.1 场景管理 6 1.1.1 种植栅格 6 1.1.2 种植策略 6 1.1.3 实时优化 7 1.2 草层 7 1.2.1 通过溶解模拟Alpha透明 9 1.2.2 变化 10 1.2.3 光照 11 1.2.4 风 12 1.3 地面杂物层 12 1.4 树和灌木层 13 1.5 阴影 14 1.6 后处理 15 1.6.1 天空圆顶辉散 16 1.6.2 全场景辉光 16 1.7 本章小结 17 参考文献 1

  3. 所属分类：硬件开发

    • 发布日期：2012-02-07
    • 文件大小：61865984
    • 提供者：on__no

  1. Imaging Vector Field using linein tegral convolution

  2. 目前，基于纹理生成技术的矢量场可视化大多都采用线积分卷积方法(Line integral convolution，简称LIC)方法[12]。LIC方法的基本原理是基于矢量方向的相关性来对噪声纹理进行一维低通滤波，最终显示出各矢量间的相关性。具体地说，L IC选择噪声(一般为白噪声)作为输入纹理，输出纹理的每个像素值均通过线积分卷积得到：首先基于该像素沿矢量正、反方向对称积分得到流线，将流线上所有象素对应的输入噪声值按卷积核参与卷积，结果作为输出纹理的像素值

  3. 所属分类：C/C++

    • 发布日期：2012-02-27
    • 文件大小：1048576
    • 提供者：aynstan1314

  1. CNN特征图可视化

  2. 基于MATLAB中MatConvNet工具包实现的VGG网络特征图和卷积核可视化

  3. 所属分类：深度学习

    • 发布日期：2018-05-18
    • 文件大小：27648
    • 提供者：jsgaobiao

  1. 用PyTorch在一个物体数据库上训练ResNet

  2. 最近几年，在处理语音、图像识别和语言处理等问题上，深度学习有着十分不错的表现。在所有类型神经网络中，卷积神经网络中研究最为深入的。在过去因为没有大数据与高性能的计算设备支撑，想要在不过拟合进行高性能卷积神经网络训练是难以想象的。如今卷积神经网络的飞速发展，离不开出现了ImageNet这样的数据，还有大幅提升的GPU计算性能。尽管各种 CNN 模型仍继续在多种计算机视觉应用中进一步推进当前最佳的表现，但在理解这些系统的工作方式和如此有效的原因上的进展仍还有限。这个问题已经引起了很多研究者的兴趣，

  3. 所属分类：机器学习

    • 发布日期：2018-08-22
    • 文件大小：7340032
    • 提供者：liiukangkang

  1. 用于特征图/卷积核/响应图可视化的网络

  2. 这个是为博客‘非黑盒矣-卷积神经网络的可视化’匹配的已经训练好的网络。 通过该网络和博文中阐述的代码，从而复现实验。

  3. 所属分类：深度学习

    • 发布日期：2018-12-18
    • 文件大小：27262976
    • 提供者：shenziheng1

  1. 红外目标在cnn各层的特征图可视化.docx

  2. 输入层中原本固定采样区域分别加入偏移向量，然后在卷积核中通过双线性插值的算法将带有偏移向量的采样点集中在一起，并且使得带偏移向量的输出特征图与输入的特征图具有一致的空间分辨率，最终传递给下一个网络层。这样在不改变空间分辨率的情况下，实现对不规则图像特征的提取。

  3. 所属分类：深度学习

    • 发布日期：2019-09-19
    • 文件大小：314368
    • 提供者：weixin_40255359

  1. 改进ZFNet可视化特征图代码.docx

  2. 输入层中原本固定采样区域分别加入偏移向量，然后在卷积核中通过双线性插值的算法将带有偏移向量的采样点集中在一起，并且使得带偏移向量的输出特征图与输入的特征图具有一致的空间分辨率，最终传递给下一个网络层。这样在不改变空间分辨率的情况下，实现对不规则图像特征的提取。

  3. 所属分类：深度学习

    • 发布日期：2019-09-19
    • 文件大小：245760
    • 提供者：weixin_40255359

  1. 海浦蒙特选型手册(v1.1).pdf

  2. 海浦蒙特选型手册(v1.1)pdf,海浦蒙特选型手册(v1.1)智造精品感动顾客 产品选型 品类别 通用产品 行业专用产品 产品名称 HD20系列 HD30系列 HD50系列 HD31系歹 HD5E系列 HD5L系歹 MONT70系列 MONT10 MONT 13 简易型变频 多功能变频器 矢量控制变顽 高性能矢量控制驱动 多供水专用变频器 扶梯专用驱动控制器电梯专用照动控制器电梯体化控制器 同步异步一体化门异步门机控制器直流门机控制器 机控詞 应用行业 风机与泵.吻料输送机械、线拉丝行业 装机

  3. 所属分类：其它

    • 发布日期：2019-09-14
    • 文件大小：5242880
    • 提供者：weixin_38744153

  1. PyTorch 模型训练实用教程

  2. 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数， 并且对 PyTorch 提供的数据增强方法（22 个）、权值初始化方法（10 个）、损失函数（17 个）、优化器（6 个）及 tensorboardX 的方法（13 个） 进行了详细介绍，本教程分为四章， 结构与机器学习三大部分一致。 第一章， 介绍数据的划分，预处理，数据增强； 第二章， 介绍模型的定义，权值初始化，模型 Finetune； 第三章， 介绍各种损失函数及优化器； 第四章， 介绍可视化工具，用于监控数

  3. 所属分类：机器学习

    • 发布日期：2019-03-03
    • 文件大小：4194304
    • 提供者：qq_29893385

  1. 煤矸智能分选的机器视觉识别方法与优化

  2. 煤矸图像的在线准确快速识别是煤矸智能分选的关键，深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本，基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型，分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度，基于模型剪枝技术对相似度高的卷积核进行裁剪，实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标，定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易

  3. 所属分类：其它

    • 发布日期：2020-06-10
    • 文件大小：1048576
    • 提供者：weixin_38680308

  1. keras CNN卷积核可视化,热度图教程

  2. 主要介绍了keras CNN卷积核可视化,热度图教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-16
    • 文件大小：250880
    • 提供者：weixin_38545768

  1. 对Tensorflow中权值和feature map的可视化详解

  2. 前言 Tensorflow中可以使用tensorboard这个强大的工具对计算图、loss、网络参数等进行可视化。本文并不涉及对tensorboard使用的介绍，而是旨在说明如何通过代码对网络权值和feature map做更灵活的处理、显示和存储。本文的相关代码主要参考了github上的一个小项目，但是对其进行了改进。 原项目地址为(https://github.com/grishasergei/conviz)。 本文将从以下两个方面进行介绍： 卷积知识补充 网络权值和feature map的

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：264192
    • 提供者：weixin_38665162

  1. 神经网络的三种可视化方法——使用keras和MXNet(gluon)实现

  2. 神经网络的三种可视化方法——用keras和MXNet(gluon)实现 目录神经网络的三种可视化方法——用keras和MXNet(gluon)实现概述keras实现keras特征图可视化keras可视化滤波器(卷积核)的最大响应图keras可视化热力图MXNet(Gluon)实现Gluon可视化特征图Gluon可视化滤波器(卷积核)的最大响应图Gluon可视化热力图 keras之父弗朗西斯科肖莱在他的书中提到了CNN的三种常用可视化方法, 同样的算法原理在李宏毅深度学习教程的Explainabl

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：4194304
    • 提供者：weixin_38628830

  1. 【动手学深度学习】Task05笔记汇总

  2. Task05：卷积神经网络基础；leNet；卷积神经网络进阶 相比taks04，感觉这边比较能看得下去，就先看了。   卷积神经网络基础 1.卷积和池化的计算概念不难理解，本质还是矩阵运算，又在感叹之前老师在代数学里埋的种子。 2.二者最大的区别是，池化层好像没有自己学什么，只是数值的搬运工，然后在模型里的日常工作是降维。但卷积层应该是学到新东西了，适当设置步长也能代班降维。想到之前有个朋友还玩了卷积核的可视化，之前没懂她在干嘛，现在可能有点点懂了。池化层有参与模型的正向计算，同样也会参与反向传

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：270336
    • 提供者：weixin_38607908

  1. 【TensorFlow-windows】keras接口——卷积核可视化-附件资源

  2. 【TensorFlow-windows】keras接口——卷积核可视化-附件资源

  3. 所属分类：互联网

  1. 【TensorFlow-windows】keras接口——卷积核可视化-附件资源

  2. 【TensorFlow-windows】keras接口——卷积核可视化-附件资源

  3. 所属分类：互联网

  1. keras CNN卷积核可视化,热度图教程

  2. 卷积核可视化 import matplotlib.pyplot as plt import numpy as np from keras import backend as K from keras.models import load_model # 将浮点图像转换成有效图像 def deprocess_image(x): # 对张量进行规范化 x -= x.mean() x /= (x.std() + 1e-5) x *= 0.1 x += 0.5 x = np.clip(x,

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：253952
    • 提供者：weixin_38603704

  1. 使用Tensorflow实现可视化中间层和卷积层

  2. 为了查看网络训练的效果或者便于调参、更改结构等，我们常常将训练网络过程中的loss、accurcy等参数。 除此之外，有时我们也想要查看训练好的网络中间层输出和卷积核上面表达了什么内容，这可以帮助我们思考CNN的内在机制、调整网络结构或者把这些可视化内容贴在论文当中辅助说明训练的效果等。 中间层和卷积核的可视化有多种方法，整理如下： 1. 以矩阵（matrix）格式手动输出图像： 用简单的LeNet网络训练MNIST数据集作为示例： x = tf.placeholder(tf.float32,

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：55296
    • 提供者：weixin_38718415