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

  2. 卷积神经网络的快速发展得益于LeNet-5、Alexnet、ZFNet、VGGNet、GoogleNet、ResNet等不同结构的设计出现。卷积神经网络的结构哟很多种，但是基本机构是相似的，主要包括：卷积层、池化层、激活函数、正则化、全连接层以及损失函数。

  3. 所属分类：讲义

    • 发布日期：2018-03-09
    • 文件大小：5242880
    • 提供者：dongairan

  1. 残差网络（ResNet）案例分析

  2. 使用keras自定义残差网络，以MNIST数据集分类为例，为帮助读者了解残差网络的实现，仅使用简单的全连接层

  3. 所属分类：深度学习

    • 发布日期：2020-03-22
    • 文件大小：11534336
    • 提供者：m0_37602827

  1. pytorch学习视频百度网盘链接.txt

  2. pytorch学习视频，2.5个G。包括 深度学习初见/ 开发环境安装/ 回归问题/ pytorch基础教程/ pytorch进阶教程/ 随机梯度下降/ 神经网络与全连接层/ 过拟合/ 卷积神经网络CNN/ CIFAR10与resnet实战/ 循环神经网络RNN&lstm/

  3. 所属分类：深度学习

    • 发布日期：2020-02-23
    • 文件大小：75
    • 提供者：u013171226

  1. se-resnet.py

  2. SE-Resnet注意力机制网络搭建，包含残差网络和全连接层，特征融合构建SE-resnet网络结构

  3. 所属分类：机器学习

    • 发布日期：2020-06-01
    • 文件大小：1024
    • 提供者：qq_42754919

  1. Pytorch修改ResNet模型全连接层进行直接训练实例

  2. 在本篇文章里小编给大家整理的是关于Pytorch修改ResNet模型全连接层进行直接训练相关知识点，有需要的朋友们参考下。

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：31744
    • 提供者：weixin_38644599

  1. Pytorch修改ResNet模型全连接层进行直接训练实例

  2. 之前在用预训练的ResNet的模型进行迁移训练时，是固定除最后一层的前面层权重，然后把全连接层输出改为自己需要的数目，进行最后一层的训练，那么现在假如想要只是把 最后一层的输出改一下，不需要加载前面层的权重，方法如下： model = torchvision.models.resnet18(pretrained=False) num_fc_ftr = model.fc.in_features model.fc = torch.nn.Linear(num_fc_ftr, 224) model =

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：31744
    • 提供者：weixin_38699830

  1. pytorch 实现resnet模型 细节讲解

  2. Resnet50的细节讲解 残差神经网络 (ResNet)也是需要掌握的模型，需要自己手动实现理解细节。本文就是对代码的细节讲解，话不多说，开始了。 首先你需要了解它的结构，本文以resnet50围绕讲解，网络的输入照片大小是224×224的经过conv1，conv2，conv3，conv4，conv5最后在平均池化，全连接层。由于中间有重复利用的模块，所以我们需要将它们写成一个类，用来重复调用即可。 Resnet之所以能够训练那么深的原因就是它的结构，在不断向后训练的过程中依旧保留浅层特征，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：317440
    • 提供者：weixin_38677306

  1. pytorch task05 卷积神经网络

  2. pytorch task05 卷积神经网络 文章目录pytorch task05 卷积神经网络1.卷积神经网络基础1.1二维卷积层1.2填充和步幅1.3多输入通道和多输出通道1.4卷积层与全连接层的对比1.5池化2 经典模型LeNet-5AlexNetVGGGoogLeNet (Inception)ResNet退化问题残差网络的解决办法 1.卷积神经网络基础 1.1二维卷积层 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

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：186368
    • 提供者：weixin_38706455

  1. Pytorch深度学习（4） — BN层及ResNet + DenseNet实现

  2. Pytorch深度学习（4） — BN层及ResNet + DenseNet实现1.批量归一化(BN)2.ResNet2.1 残差块2.2 ResNet 模型实现结构：3.DenseNet 稠密连接网络3.1 稠密块（DenseBlock）3.3 过滤层（transition_block）3.4 DenseNet模型总实现 1.批量归一化(BN) nn.BatchNorm2d(6) — 卷积层使用，超参数为输出通道数 nn.BatchNorm1d(120) – 全连接层使用，超参数为输出单

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：261120
    • 提供者：weixin_38599412

  1. 基于改进YOLO轻量化网络的目标检测方法

  2. YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：11534336
    • 提供者：weixin_38681218

  1. 基于深度残差网络的人脸表情识别研究

  2. 针对人脸表情识别，传统方法主要依赖人工提取特征的优劣，算法的鲁棒性较差，而传统卷积神经网络无法提取到更深层次的图像特征，因此该文将采用深度残差网络进行人脸表情识别。ResNet网络主要由残差模块组成，将残差模块的输出送入到全连接层进行特征的融合，最后由Softmax分类器进行分类。该文将输入残差模块之前的卷积层进行改进，使用并行的小卷积代替原来的卷积，使其可以提取到更深层次且不同尺度的图像特征以易于识别。在公用数据集CK+上进行多次实验，结果证明该方法具有较高的准确率。

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：1048576
    • 提供者：weixin_38621104