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. 生成对抗网络（GANs）最新家谱：为你揭秘GANs的前世今生

  2. 生成对抗网络（ AN）一经提出就风光无限，更是被Yann L un誉为“十年来机器学 习领域最有趣的想法”。 GAN“左右互搏”的理念几乎众所周知，但正如卷积神经网络（CNN）一样，GAN发展 至今已经衍生出了诸多变化形态。望伪图像的分布尽可能地接近真图像。或者,简单来说,我们想要伪图像尽可能看起 来像真的一样。 值得一提的是,因为GANs是用极小化极大算法做优化的,所以训练过程可能会很不稳 定。不过你可以使用一些“小技巧”来获得更稳健的训练过程。 在下面这个视频中,你可以看到GANs所生成图片

  3. 所属分类：深度学习

    • 发布日期：2019-07-02
    • 文件大小：1048576
    • 提供者：abacaba

  1. PyTorch上实现卷积神经网络CNN的方法

  2. 本篇文章主要介绍了PyTorch上实现卷积神经网络CNN的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：70656
    • 提供者：weixin_38693476

  1. PyTorch上实现卷积神经网络CNN的方法

  2. 一、卷积神经网络 卷积神经网络（ConvolutionalNeuralNetwork，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CNN在

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：67584
    • 提供者：weixin_38564718

  1. pytorch实现CNN卷积神经网络

  2. 本文为大家讲解了pytorch实现CNN卷积神经网络，供大家参考，具体内容如下 我对卷积神经网络的一些认识     卷积神经网络是时下最为流行的一种深度学习网络，由于其具有局部感受野等特性，让其与人眼识别图像具有相似性，因此被广泛应用于图像识别中，本人是研究机械故障诊断方面的，一般利用旋转机械的振动信号作为数据。     对一维信号，通常采取的方法有两种，第一，直接对其做一维卷积，第二，反映到时频图像上，这就变成了图像识别，此前一直都在利用keras搭建网络，最近学了pytroch搭建cnn的方

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：50176
    • 提供者：weixin_38718434

  1. mnist-explanation:在MNIST数据集上试用DNN的复制技术-源码

  2. 简单说明 在该存储库中，我尝试实现G. Montavon等人所述的解释方法。 在他们的Methods for Interpreting and Understanding Deep Neural Networks中的文章[1] 神经网络实施 在他们的原始论文中，研究人员就使用哪种深度神经网络（DNN）提供了建议，以最大程度地提高其解释性。 我们将遵循以下建议： 根据需要使用尽可能少的完全连接的层，并通过辍学来训练这些层 大量使用求和池层，并且比其他类型的池层更喜欢它们 在线性层（卷积和完全连接

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：479232
    • 提供者：weixin_42136826

  1. DenseNet：比ResNet更优的CNN模型

  2. 本文来自于个人博客，本篇文章首先介绍DenseNet的原理以及网路架构，然后讲解DenseNet在Pytorch上的实现。在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如最近的GoogLenet，VGG-19，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skipconnection），这有助于训练

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：788480
    • 提供者：weixin_38518376

  1. stconvs2s：“ STConvS2S：时空卷积序列到天气预报的序列网络”的代码（Neurocomputing，Elsevier）-源码

  2. STConvS2S：时空卷积序列到序列网络以进行天气预报 更新：随着我们架构的变化而发布的新代码。 请参阅以了解详细信息（2020年11月） 该存储库具有称为STConvS2S的新体系结构的开源实现。 综上所述，我们的方法（STConvS2S）仅使用3D卷积神经网络（CNN）来处理使用时空数据的序列到序列任务。 我们将结果与最新架构进行比较。 （ 版本）上的详细信息。 要求 主要，我们的代码使用Python 3.6和PyTorch 1.0。 有关其他要求，请参见 。 要以与执行实验相同的版

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：1048576
    • 提供者：weixin_42165712

  1. DistributedDeepLearning：关于在Batch AI上运行分布式深度学习的教程-源码

  2. 培训关于批处理AI的分布式培训 此仓库是有关如何使用Batch AI以分布式方式训练CNN模型的教程。 涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。 图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。 对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。 在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。 在这些情况下使用分布式培训有助于缩短培训时间。 在此特定方案中，使用Horovod在I

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：447488
    • 提供者：weixin_42127748

  1. DenseNet：比ResNet更优的CNN模型

  2. 本文来自于个人博客，本篇文章首先介绍DenseNet的原理以及网路架构，然后讲解DenseNet在Pytorch上的实现。在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如最近的GoogLenet，VGG-19，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：778240
    • 提供者：weixin_38652270