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. linux消息函数分析

  2. 随着计算机的普及,越来越多的人开始使用计算机，操作系统的作用也日益提升。作为计算机专业的学生，对操作系统的认识和把握不仅仅只涉及到应用层，我们更应该对操作系统有一定深度的了解。 当前在各种操作系统中，虽然说windows操作系统非常的普及，但是由于它是非开源式操作系统，因此不适合用来学习操作系统。linux操作系统由于其普遍化和源码公开化，成为了计算机专业学生学习操作系统的最好蓝本。通过对linux操作系统源代码的分析和总结，可以从本质上来更好的理解操作系统的结构和功能，以及各个功能的实现方式

  3. 所属分类：Linux

    • 发布日期：2011-01-21
    • 文件大小：249856
    • 提供者：luomeigang

  1. caffe网络模型各层详解(中文版).pdf

  2. 对caffe中网络模型的各个层的定义, 作用, 以及使用方法作了详细的介绍, 非常值得一看

  3. 所属分类：深度学习

    • 发布日期：2017-11-20
    • 文件大小：1013760
    • 提供者：ll274119329

  1. 《安防+AI 人工智能工程化白皮书》.pdf

  2. 『安防+AI 人工智能工程化白皮书』集合了中科院自动化所、浙江 宇视科技有限公司的技术专家及行业专家的研究成果、实践经验。本报告从当前 人工智能技术与产业发展的背景、智慧安防生态圈、智慧安防典型应用、智慧安 防规模化应用存在的问题，以及智慧安防未来趋势等五个维度，系统梳理总结了 当前安防+AI 的发展现状，尤其重点分析指出了智慧安防领域存在的八大限制性 因素，以及智慧安防的八大新的发展趋势，供学术界及实业界的学者、专家参考。第四章智慧安防规模应用的八大限制性因素 24 4.1成本高昂 25 4.

  3. 所属分类：机器学习

    • 发布日期：2019-10-20
    • 文件大小：4194304
    • 提供者：yutong_zhou

  1. python 2.5 学习笔记

  2. NULL 博文链接：https://shixm.iteye.com/blog/381884abstract Python is an easy to learn, powerful programming language. It has efficient high-level data structures and a simple but effective approach to ohject-oriented programming. Python's elegant syntax a

  3. 所属分类：其它

    • 发布日期：2019-03-16
    • 文件大小：1048576
    • 提供者：weixin_38669628

  1. 第十四章_超参数调整.pdf

  2. 关于训练深度学习模型最难的事情之一是你要处理的参数的数量。无论是从网络本身的层宽（宽度）、层数（深度）、连接方式，还是损失函数的超参数设计和调试，亦或者是学习率、批样本数量、优化器参数等等。这些大量的参数都会有网络模型最终的有效容限直接或者间接的影响。面对如此众多的参数，如果我们要一一对其优化调整，所需的无论是时间、资源都是不切实际。结果证实一些超参数比其它的更为重要，因此认识各个超参数的作用和其可能会造成的影响是深度学习训练中必不可少的一项重要技能。

  3. 所属分类：深度学习

    • 发布日期：2020-07-27
    • 文件大小：813056
    • 提供者：hkd_ywg

  1. 深度学习基础（四）—— 神经网络各层的意义

  2. 1 卷积层 稀疏交互：减少时间复杂度，提高运算时间。 参数共享： 降低模型参数的存储需求，提高统计效率。 参数共享的特殊形式使得神经网络层具有对平移等变（equivariance）的性质 1.1 卷积神经网络的感受野 1.1.1 感受野的概念 感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小 1.1.2 感受野的计算 第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小 计算感受野

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：281600
    • 提供者：weixin_38704701

  1. 《动手学深度学习》Task5

  2. 1.卷积神经网络基础； 对于CNN中一些概念的理解 1.feature map 在CNN的各个卷积层中，数据都是以３维形式存在的。我们可以把它看成许多个２维平面图叠在一起，其中每个２维图称为一个feature map　. 在输入层，如果是灰度图，只有一个feature map；如果是彩色图片，一般是3个feature map（RGB）。 其他层：层与层之间会有若干个卷积核(kernel),上一层每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map，如果有N个

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：376832
    • 提供者：weixin_38672812