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. 卷积神经网络学习必备

  2. 卷积神经网络经典结构，yannlecun的LeNet与Alex的AlexNet、以及网络中公式的推导证明，绝对是学习卷积神经网络的必备，一起学习，加油！

  3. 所属分类：其它

    • 发布日期：2016-03-24
    • 文件大小：2097152
    • 提供者：qq865942347

  1. MachineLearning-master-python.zip

  2. 属于网络下载资源，感谢原作者的贡献。 ##目录介绍 - **DeepLearning Tutorials** 这个文件夹下包含一些深度学习算法的实现代码，以及具体的应用实例，包含： Keras使用进阶。介绍了怎么保存训练好的CNN模型，怎么将CNN用作特征提取，怎么可视化卷积图。 [keras_usage]介绍了一个简单易用的深度学习框架keras，用经典的Mnist分类问题对该框架的使用进行说明，训练一个CNN，总共不超过30行代码。 将卷积神经网络CNN应用于人脸识别的一个demo，人脸数

  3. 所属分类：专业指导

    • 发布日期：2016-07-04
    • 文件大小：1048576
    • 提供者：qq_33042687

  1. CNN模型简单介绍(LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN)

  2. CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

  3. 所属分类：其它

    • 发布日期：2017-01-16
    • 文件大小：822272
    • 提供者：liudaxia1990

  1. cnn卷积神经网络

  2. cnn卷积神经网络 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SI

  3. 所属分类：其它

    • 发布日期：2019-04-11
    • 文件大小：575
    • 提供者：sdfgegefdg

  1. 卷积神经网络（CNN）.pdf

  2. 卷积神经网络（CNN）的快速入门做的笔记，简洁可参考。 一、卷积神经网络（CNN） 二、LeNet(推进深度学习最早的卷积神经网络之一) 1、卷积操作 2、非线性简介(ReLU)(激活函数) 3、池化操作 4、全连接层 ...

  3. 所属分类：深度学习

    • 发布日期：2020-04-01
    • 文件大小：468992
    • 提供者：weixin_39079076

  1. 经典神经网络论文.zip

  2. 卷积神经网络的经典论文，包括LeNet、AlexNet、ResNet、YOLO、R-CNN、VGG16，作为引领卷积神经网络发展的论文，无论是深度学习小白，还是已经进入深度学习领域但还没有读过这些论文，都可以尝试着看看这些论文，从而体会前人的思想。

  3. 所属分类：互联网

    • 发布日期：2020-07-09
    • 文件大小：13631488
    • 提供者：qq_38327769

  1. 第四章_经典网络.pdf

  2. LeNet-5是由$LeCun$ 提出的一种用于识别手写数字和机器印刷字符的卷积神经网络（Convolutional Neural Network，CNN）$^{[1]}$，其命名来源于作者$LeCun$的名字，5则是其研究成果的代号，在LeNet-5之前还有LeNet-4和LeNet-1鲜为人知。LeNet-5阐述了图像中像素特征之间的相关性能够由参数共享的卷积操作所提取，同时使用卷积、下采样（池化）和非线性映射这样的组合结构，是当前流行的大多数深度图像识别网络的基础。

  3. 所属分类：深度学习

    • 发布日期：2020-07-27
    • 文件大小：12582912
    • 提供者：hkd_ywg

  1. CNN模型简单介绍(LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN)

  2. CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

  3. 所属分类：其它

    • 发布日期：2017-01-16
    • 文件大小：820224
    • 提供者：liudaxia1990

  1. 卷积神经网络在肝包虫病CT图像诊断中的应用

  2. 探讨卷积神经网络(Convonlutional Neural Network，CNN)在肝包虫病CT图像诊断中的应用。选取两种类型的肝包虫病CT图像进行归一化、改进的中值滤波去噪和数据增强等预处理。以LeNet-5模型为基础提出改进的CNN模型CTLeNet，采用正则化策略减少过拟合问题，加入Dropout层减少参数个数，对二分类肝包虫图像进行分类实验，同时通过反卷积实现特征可视化，挖掘疾病潜在特征。结果表明，CTLeNet模型在分类任务中取得了较好的效果，有望通过深度学习方法对肝包虫病提供辅助

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：312320
    • 提供者：weixin_38634037

  1. CNN、LeNet

  2. 一、卷积神经网络 卷积层：卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组 (通常称为卷积核或过滤器（filter）)上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。 卷积层的两个超参数：填充：在输入高和宽的两侧填充元素（通常是0元素）                                     步幅：在互相关运算中，卷积核在输入数组上滑动，每次滑动的行数与列

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：369664
    • 提供者：weixin_38551187

  1. CNN、LeNet、CNN进阶

  2. CNN 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.shape h, w = K.shape Y = torch.zeros(H - h + 1, W - w + 1) for i in ra

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：369664
    • 提供者：weixin_38513665

  1. DL notes 04: CNN基础和经典CNN模型

  2. 文章目录一、CNN基础二、LeNet三、AlexNet四、VGG五、NiN六、GoogLeNet 一、CNN基础 因本身有图像处理和图像深度学习方面的基础，故在此只罗列一些重要概念词，后续再补上： 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）。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

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：412672
    • 提供者：weixin_38723516

  1. 批量归一化 && 残差网络

  2. 基于此前对于CNN的介绍 Fundamentals of Convolutional Neural Networks LeNet && ModernCNN 就深层次 CNN 的结构进一步探讨归一化和残差网络。 批量归一化（BatchNormalization） 让网络训练归一化变得更加容易，本质是一种对数据的标准化处理 分类 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型）随着模型参数的

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：202752
    • 提供者：weixin_38558186

  1. ZeroToAll:火炬练习-源码

  2. 报告 时间：3月21日〜21日 内容：Pytorch ZeroToAll的实施实践 →第8、10、11、12章 第8章DataLodaer 数据加载器实践 kaggle数据集加载+ .csv文件的预处理。 使用Torchvision数据加载器 第10章基本的CNN 实施简单的LeNet。 使用LR_scheduler 保存+加载检查点 第11章高级CNN 实施Inception v4 使用小型ImageNet（64x64） 放大到（226x226），并检查损耗是否减小。 密集网

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：33554432
    • 提供者：weixin_42098830

  1. 基于改进的卷积神经网络LeNet-5乳腺疾病诊断方法

  2. 针对计算机辅助乳腺疾病诊断方法准确率低、耗时长等问题，提出一种基于改进的 卷积神经网络（CNN）的乳腺疾病诊断方法．该方法从以下3个方面做了改进：(1)设计双通道 卷积神经网络来解决单通道特征提取不充分的问题；(2)采用Dropout技术有效地防止过拟合现象；(3)采用支持向量机(SVM)代替传统的Softmax分类器以减少运算量，提高运算速度．测试结果表明：所提出的分类模型平均准确率高达92.31%，平均训练时间为968s，充分验证 了该方法的有效性。

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：381952
    • 提供者：weixin_38696836

  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. 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