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. BP神经网络代码

  2. gitchat资料。从零开始学习BP神经网络。 本文主要叙述了经典的全连接神经网络结构以及前向传播和反向传播的过程。通过本文的学习，读者应该可以独立推导全连接神经网络的传播过程，对算法的细节烂熟于心。另外，由于本文里的公式大部分是我自己推导的，所以可能会有瑕疵，希望读者不吝赐教。   虽然这篇文章实现的例子并没有什么实际应用场景，但是自己推导一下这些数学公式对理解神经网络内部的原理很有帮助，继这篇博客之后，我还计划写一个如何自己推导并实现卷积神经网络的教程，如果有人感兴趣，请继续关注我！

  3. 所属分类：深度学习

    • 发布日期：2017-10-22
    • 文件大小：3145728
    • 提供者：u014303046

  1. （神经网络）

  2. 前馈网络（静态）：信息处理的方向是输入层到输出层逐层前向传递，某一层的输出是下一层的输入，不存在反馈环路。（ 感知器、BP误差反向传播、RBF径向基、线性神经网络、som自组织竞争神经网络、LVQ学习向量量化神经网络、Elman、CNN卷积神经网络、RNN递归神经网络） 反馈网络（动态）：存在信号从输出到输入的反向传播。输出作为输入返回前一层节点时具有闭环的反馈网络是递归网络。 监督训练：为神经网络提供输入和所需的输出；网络对输入的响应是计算出来的的，修改权重以减少实际和期望输出之间的差异；达

  3. 所属分类：讲义

    • 发布日期：2017-12-27
    • 文件大小：313344
    • 提供者：qq_41547766

  1. 北大tensorflow公开课笔记

  2. 第一讲 带着大家梳理人工智能领域的基本概念：比如什么是人工智能、什么机器学习、什么是深度学习，他们的发展历史是什么，能用他们做什么。课后，助教会带领大家安装Ubuntu系统、Python解释器 和 Tensorflow环境，把同学们的电脑进行改造，让它变得更专业。 第二讲 串讲python语法：课程将帮同学们在最短的时间内把python语法织成网，为后续课程扫清代码关； 第三讲 讲解Tensorflow的关键词，搭建神经网络：这节课会介绍张量、计算图、会话等概念，并用Python搭建你的第一个

  3. 所属分类：深度学习

    • 发布日期：2018-05-25
    • 文件大小：10181831
    • 提供者：weixin_39711936

  1. 模块化训练卷积神经网络Lenet5

  2. lenet5卷积神经网络实现MNIST手写数字识别。代码分为前向传播、反向传播、模型测试三个部分，有详细的注释

  3. 所属分类：深度学习

    • 发布日期：2018-06-20
    • 文件大小：134217728
    • 提供者：rosemary_tu

  1. CNN反向传播.pptx

  2. 包含了BP卷积神经网络的前向和反向传播过程，设计卷积，池化，全0填充，全连接，dropout等处理过程的全面讲解，简单易懂，卷积神经网络入门速成

  3. 所属分类：深度学习

    • 发布日期：2019-08-08
    • 文件大小：237568
    • 提供者：weixin_42174642

  1. 卷积神经网络前向及反向传播过程数学解析.pdf

  2. 本文为作者本人对卷积神经网络的前向及反向传播过程数学推导的总结笔记，对深度学习初学者来说是个对卷积神经网络深度了解很好的机会，是自己搭建卷积神经网络的理论支持，欢迎下载，共同进步

  3. 所属分类：深度学习

    • 发布日期：2020-04-14
    • 文件大小：1048576
    • 提供者：qq_42109740

  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. 卷积神经网络人脸检测算法

  2. 传统人脸检测算法往往不能自动地从原始图像中提取有用的检测特征，而卷积神经网络可以轻易地提取高维度的特征信息，广泛用于图像处理领域。针对上述缺点，采用简单高效的深度学习Caffe框架并通过AlexNet网络训练，数据集为LFW人脸数据集，得出一个模型分类器，对原始图像数据进行图像金字塔变换，并通过前向传播得到特征图，反变换得出人脸坐标，采用非极大值抑制算法得出最优位置，最后达到一个二分类的人脸检测结果。该方法可以实现不同尺度的人脸检测，具有较高的精度，可用于构建人脸检测系统。

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：714752
    • 提供者：weixin_38528463

  1. pytorch神经网络之卷积层与全连接层参数的设置方法

  2. 当使用pytorch写网络结构的时候，本人发现在卷积层与第一个全连接层的全连接层的input_features不知道该写多少？一开始本人的做法是对着pytorch官网的公式推，但是总是算错。 后来发现，写完卷积层后可以根据模拟神经网络的前向传播得出这个。 全连接层的input_features是多少。首先来看一下这个简单的网络。这个卷积的Sequential本人就不再啰嗦了，现在看nn.Linear(？？？, 4096)这个全连接层的第一个参数该为多少呢？ 请看下文详解。 class Alex

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：44032
    • 提供者：weixin_38584642

  1. Udacity-源码

  2. Udacity 单元1：Numpy 单元2：McCulloch Pitts Neuron 单元3：感知器神经元 单元4：sigmod神经元 单元5：前馈神经网络 模块6：通用类 模块7：多类分类 单元8：向量化 模块9：反向传播 模块10：优化算法 模块11：Pytorch基础知识 单元12：Pytorch深度神经网络 模块13：Pyorch DNN Cuda支持 模块14：Pyorch DNN Cuda支持：激活 模块15：Pytorch深度神经网络自动编码器 模块16：Pytorch：嵌入和

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：119537664
    • 提供者：weixin_42116650

  1. GlobalAIHubDLCourse-源码

  2. 欢迎与LeadingIndia.ai合作阅读我们的AI和深度学习课程库简介！ 您可以通过访问与LeadingIndia.ai合作找到有关我们的AI和深度学习入门课程的更多信息 要注册我们的课程，您可以通过访问找到适合您日程的下一门 教学大纲 第一天 理论：人工智能和深度学习导论 动机：深度学习的基础和术语 AI vs ML vs DL：比较 特征和重量 机器学习回顾：线性回归，逻辑回归 激活功能。 动手 Python编程简介 第二天 理论：神经网络 神经网络 损失函数 梯度下降 前馈和后向

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：2097152
    • 提供者：weixin_42131785

  1. 深度学习入门-源码

  2. 欢迎与LeadingIndia.ai合作阅读我们的AI和深度学习课程库简介！ 您可以通过访问与LeadingIndia.ai合作找到有关我们的AI和深度学习入门课程的更多信息 要注册我们的课程，您可以通过访问找到适合您日程的下一门 教学大纲 第一天 理论：人工智能和深度学习导论 动机：深度学习的基础和术语 AI vs ML vs DL：比较 特征和重量 机器学习回顾：线性回归，逻辑回归 激活功能。 动手 Python编程简介 第二天 理论：神经网络 神经网络 损失函数 梯度下降 前馈和后向

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：2097152
    • 提供者：weixin_42179184

  1. Tensorflow卷积神经网络

  2. 卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络,在计算机视觉等领域被广泛应用.本文将简单介绍其原理并分析Tensorflow官方提供的示例.关于神经网络与误差反向传播的原理可以参考作者的另一篇博文BP神经网络与Python实现.卷积是图像处理中一种基本方法.卷积核是一个f*f的矩阵.通常n取奇数,使得卷积核有中心点.对图像中每个点取以其为中心的f阶方阵,将该方阵中各值与卷积核中对应位置的值相乘,并用它们的和作为结果矩阵中对应点的值.1*1+1*0+

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：572416
    • 提供者：weixin_38645133

  1. 卷积神经网络反向传播理论推导

  2. 本文来自于csdn，本文首先简单介绍CNN的结构，并不作详细介绍.然后讲解反向传播理论。本文只要讲解CNN的反向传播，CNN的反向传播，其实并不是大多所说的和全连接的BP类似，CNN的全连接部分的BP是与它相同，但是CNN中卷积--池化、池化--卷积部分的BP是不一样的，仔细推导，还是有很多细节地方需要思考的，比如1、在前向传播的过程中，卷积层的输入，是通过卷积核与前一层的输出特征图卷积得来的，那么在反向传播的过程中该怎么处理？这个就与全连接神经网络不同了。2、由于在前向传播的时候，池化层会对前

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：1048576
    • 提供者：weixin_38674569

  1. Supplement 卷积神经网络的图像分类方法

  2. 传统的卷积神经网络(CNN)通常会丢弃负值特征信息, 进而影响着图像分类的效果. 针对 CNN 更好地学习图像特征的问题, 对传统的 CNN 模型进行改进, 提出 Supplement CNN 模型. 首先将卷积层得到的特征图取反, 并同原特征图一起作用 Leaky ReLU 激活函数以保留图像的负值特征信息; 然后传递至下一层, 增加前向传播的特征信息, 影响反向传播算法的权值更新, 以有利于图像的分类; 最后通过实验阐述了 Supplement CNN 模型受网络层数的影响情况. 与传统的

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：747520
    • 提供者：weixin_38617196

  1. CNTK：Microsoft认知工具包（CNTK），一种开源的深度学习工具包-源码

  2. CNTK 聊天室 Windows构建状态 Linux构建状态 Microsoft认知工具包（ ）是一个统一的深度学习工具包，它通过有向图将神经网络描述为一系列计算步骤。 在此有向图中，叶节点表示输入值或网络参数，而其他节点则表示对其输入的矩阵运算。 CNTK允许用户轻松实现和组合流行的模型类型，例如前馈DNN，卷积网（CNN）和递归网络（RNN / LSTM）。 它实现了随机梯度下降（SGD，错误反向传播）学习，并在多个GPU和服务器之间实现了自动区分和并行化。 自2015年4月以来，CN

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：199229440
    • 提供者：weixin_42122988

  1. 卷积神经网络反向传播理论推导

  2. 本文来自于csdn，本文首先简单介绍CNN的结构，并不作详细介绍.然后讲解反向传播理论。本文只要讲解CNN的反向传播，CNN的反向传播，其实并不是大多所说的和全连接的BP类似，CNN的全连接部分的BP是与它相同，但是CNN中卷积--池化、池化--卷积部分的BP是不一样的，仔细推导，还是有很多细节地方需要思考的，比如1、在前向传播的过程中，卷积层的输入，是通过卷积核与前一层的输出特征图卷积得来的，那么在反向传播的过程中该怎么处理？这个就与全连接神经网络不同了。2、由于在前向传播的时候，池化层会对前

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：1048576
    • 提供者：weixin_38696922