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. 深度学习之卷积神经网络CNN模式识别VS代码

  2. 深度学习之卷积神经网络CNN做手写体识别的VS代码。支持linux版本和VS2012版本。 tiny-cnn: A C++11 implementation of convolutional neural networks ======== tiny-cnn is a C++11 implementation of convolutional neural networks. design principle ----- * fast, without GPU 98.8% accuracy o

  3. 所属分类：C++

    • 发布日期：2014-02-18
    • 文件大小：10485760
    • 提供者：dpstill

  1. 深度学习之卷积神经网络CNN用于人脸检测C++库

  2. 深度学习的卷积神经网络CNN用于做人脸检测等CV算法的C++库。

  3. 所属分类：C++

    • 发布日期：2014-02-19
    • 文件大小：4194304
    • 提供者：dpstill

  1. 卷积神经网络（二）

  2. 深度学习之卷积神经网络；从字符到句子的卷积神经网络。

  3. 所属分类：讲义

    • 发布日期：2017-03-03
    • 文件大小：417792
    • 提供者：abrohambaby

  1. 深度学习之卷积神经网络

  2. 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含[卷积](https://baike.baidu.com/item/卷积/9411006)计算且具有深度结构的[前馈神经网络](https://baike.baidu.com/item/前馈神经网络/7580523)（Feedforward Neural Networks），是[深度学习](https://baike.baidu.com/item/深度学习/3729729)（deep learning）

  3. 所属分类：深度学习

    • 发布日期：2020-03-27
    • 文件大小：20480
    • 提供者：weixin_43788143

  1. 深度学习之卷积神经网络CNN

  2. 用CNN实现一个分类器, 数据共有10类，训练数据在train文件夹下，测试数据在test文件夹下，数据有十类，读取数据的方法如下。 #python2 import cPickle def load_data(data_path): with open(data_path,"rb") as f: target_params = cPickle.load(f) data = target_params['data'].reshape([-1,32,32,3

  3. 所属分类：深度学习

    • 发布日期：2019-07-21
    • 文件大小：169869312
    • 提供者：gakki_chen

  1. CNN-深度学习-卷积神经网络.ppt

  2. 人工智能，CNN（深度学习之卷积神经网络）的教学版PPT，讲解的很到位，非常具体，希望对各位有所帮助

  3. 所属分类：互联网

    • 发布日期：2020-08-18
    • 文件大小：2097152
    • 提供者：weixin_40627366

  1. TensorFlow深度学习之卷积神经网络CNN

  2. 一、卷积神经网络的概述 卷积神经网络（ConvolutionalNeural Network，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求，避免复杂的特征工程。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积（滤波器）都会提取数据中最有效的特征，这种方法可以提取到图像中最基础的特征，而后再进行组合和抽象形成更高阶的特征，因此

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：141312
    • 提供者：weixin_38682279

  1. Tensorflow学习实战之卷积神经网络CIFA10训练

  2. Tensorflow学习实战之卷积神经网络CIFA10训练数据获取数据预处理模型构建优化器损失及超参训练模型模型保存及载入结果可视化 趁着时间多，今天继续学习tensorflow的知识，以前只知道复现搭建配环境，没从基础只是开始，所以从基础知识开始学习，收获了很多，对深度学习的理解有了更加深入的认识。 深度神经网络已经不能满足我了，今天是卷积神经网络的搭建与训练CIFA10，其实步骤都是一样的。 数据获取 #读一个批次 def load_cifar_batch(filename): w

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：457728
    • 提供者：weixin_38670420

  1. 《动手学习深度学习》之三：1.卷积神经网络（CNN）基础（打卡2.4）

  2. 卷积神经网络（CNN） 1.卷积神经网络基础 1.1.基础概念 1.1.1.卷积层 1.1.2.填充、步幅、输入通道、输出通道的含义 1.1.3.池化层 1.1.4.二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。 import torch import torch.nn as nn def corr2d(X, K): H, W = X

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：644096
    • 提供者：weixin_38608378

  1. 动手学深度学习之卷积神经网络进阶（ModernCNN）

  2. 参考伯禹学习平台《动手学深度学习》课程内容内容撰写的学习笔记 原文链接：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/lesson/T5r2YnM8A4vZpxPUbCQSyW 感谢伯禹平台，Datawhale，和鲸，AWS给我们提供的免费学习机会！！ 总的学习感受：伯禹的课程做的很好，课程非常系统，每个较高级别的课程都会有需要掌握的前续基础知识的介绍，因此很适合本人这种基础较差的同学学习，建议基础较差的同学可以关注伯禹的其他课程：

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：403456
    • 提供者：weixin_38530202

  1. 伯禹 动手学深度学习 打卡06之卷积神经网络基础

  2. 卷积神经网络基础 二维卷积层 本文介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关计算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：336896
    • 提供者：weixin_38720322

  1. 动手学深度学习之-卷积神经网络基础

  2. 卷积神经网络基础 参考伯禹学习平台《动手学深度学习》课程内容内容撰写的学习笔记 原文链接：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/video/whY-8BhPmsle8wyEEyTST 感谢伯禹平台，Datawhale，和鲸，AWS给我们提供的免费学习机会！！ 总的学习感受：伯禹的课程做的很好，课程非常系统，每个较高级别的课程都会有需要掌握的前续基础知识的介绍，因此很适合本人这种基础较差的同学学习，建议基础较差的同学可以关注伯禹

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：132096
    • 提供者：weixin_38740596

  1. 深度学习：Keras入门(二)之卷积神经网络(CNN)

  2. 简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)如下图就表示卷积的运算过程：（图1）卷积运算一个重要的特点就是，通过卷积运算，可以使原信号特征增强，并且降低噪音.这里以常用的激活函数sigmoid为例：把上述的计算结果269带入此公式，得出f(x)=1如图是一个人工神经元的模型：（图2）对于每一个神经元，都包含以下几部分：x:表示输入w:表示权重θ:表示偏置∑wx:表示卷积(内积)f:表示激活函数o:表示输出对于一个灰度图片(图3)

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：533504
    • 提供者：weixin_38732343

  1. DeepWay：该项目对盲人有帮助。 迄今为止，盲人导航的方式尚无技术进步。 因此，我使用了深度学习（特别是卷积神经网络），以便它们可以在街道上导航-源码

  2. 深度之路 这个项目是对盲人的帮助。 迄今为止，盲人导航的方式尚无技术进步。 因此，我使用了深度学习（特别是卷积神经网络），以便它们可以在街道上导航。 观看 我的方法 收集培训数据 我的项目是CNN的实现，我们都知道它们需要大量的培训数据。 因此，我遇到的第一个障碍是带有正确标记的图像数据集。 所以我到了大学，录制了很多视频（各种类型的道路和越野），然后我写了一个基本的python脚本来保存视频中的图像（我每5帧保存了1幅图像，因为连续框架几乎相同）。 我为每个班级（即左，右和中）收集了近1000

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：1048576
    • 提供者：weixin_42134143

  1. 深度学习：Keras入门(二)之卷积神经网络(CNN)

  2. 简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：542720
    • 提供者：weixin_38703823

  1. MachineLearning学习——0220——深度学习之卷积神经网络、自编码器

  2. 参考：https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/22.md https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/23.md 由于之前有了解CNN，该文章将跳过大部分细节，仅供本人记录学习过程用 卷积神经网络Convolutional Neural Network 介绍：与多层感知机的结构很相似：输入层，一些隐藏层，输出层，这些层多由卷积层、

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：135168
    • 提供者：weixin_38652870

  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

  1. ElitesAI·动手学深度学习PyTorch版学习笔记-卷积神经网络基础；leNet；卷积神经网络进阶

  2. 宅家中看到Datawhale的学习号召，在大牛云集的群上找到了一个很佛系的小组，战战兢兢地开始了小白的深度学习之旅。感谢Datawhale、伯禹教育、和鲸科技，感谢课程制作者、组织者、各位助教以及其他志愿者！ 1 卷积神经网络基础 1.1 二维卷积 本小节介绍了二维卷积，主要用于图像数据（刚好是二维的数据）处理。 二维卷积通过输入二维数据和二维核数据的运算（卷积），得到一个小于输入数据的二维输出数据，但是该输出数据依然部分保存了输入数据的信息。输出的二维数据可以看作输入数据的一个缩略图，也叫

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：51200
    • 提供者：weixin_38652196

  1. 使用卷积神经网络VGG-16完成是否佩戴口罩的分类模型之网络参数配置详解(Python+PaddlePaddle)

  2. 经过前两天的学习,对深度学习的网络都有了一定的了解,所谓深度,其实就是网络的深度,今天来看一下另一个经典的卷积神经网络: VGG-16 VGG-16后面跟的16表示网络的层数,一般认为,带参数的网络才看作一层,而池化层是不需要计算参数的,因此池化层通常不算在里面: 卷积层共2+2+3+3+3=13层;全连接层有3层。加起来一共16层。 因为网络层数很多,像上一篇文章那样去写这16层网络会显得很麻烦,因此这里用了一个ConvPool类,将卷积层和池化层封装: class ConvPool(flu

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：330752
    • 提供者：weixin_38530211

  1. 18 深度学习案例——基于卷积神经网络的手写体识别

  2. 基于卷积神经网络的手写体识别19.2 深度学习的概念及关键技术1、神经网络模型2、深度学习之卷积神经网络19.3 Python深度学习库——Keras1、Keras的安装2、Keras的网络层3、用Keras构建神经网络19.4 程序设计的思路19.5 源代码1、MNIST数据集2、手写体识别案例体现3、预测自己手写图像 #!/usr/bin/env python # coding: utf-8 19.2 深度学习的概念及关键技术 1、神经网络模型 ·生物神经元 ·轴突（输出）终端为其他神经元

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：67584
    • 提供者：weixin_38724247
« 12 3 »