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. 基于tensorflow的残差模块的简单实现，cifar-10测试

  2. 使用tensorflow简单实现了残差网络的block模块以及 bottleneck模块，并在cifar-10数据集上进行了简单测试

  3. 所属分类：深度学习

    • 发布日期：2018-07-02
    • 文件大小：3072
    • 提供者：gaojiexcq

  1. ResNet的TensorFlow实现

  2. VGGNet和GoogLeNet等网络都表明有足够的深度是模型表现良好的前提，但是在网络深度增加到一定程度时，更深的网络意味着更高的训练误差。误差升高的原因是网络越深，梯度弥散[还有梯度爆炸的可能性]的现象就越明显，所以在后向传播的时候，无法有效的把梯度更新到前面的网络层，靠前的网络层参数无法更新，导致训练和测试效果变差。所以ResNet面临的问题是怎样在增加网络深度的情况下有可以有效解决梯度消失的问题。ResNet中解决深层网络梯度消失的问题的核心结构是残差网络。

  3. 所属分类：深度学习

    • 发布日期：2019-01-22
    • 文件大小：10240
    • 提供者：shengshengwang

  1. 白话深度学习与TensorFlow高清pdf

  2. 本书基本独立成册，适用于零基础的初学者。 基础篇（第1～3章），讲解了机器学习、深度学习与实践的上下文知识，如基本的机器学习与深度学习算法，TensorFlow框架的安全与配置，简单的深度学习实践。该篇是阅读和实践的基石。 原理与实践篇（第4～8章），介绍“老牌”的深度学习网络的数学原理和工程实现原理，尤其是第4章，如果能基本读懂，后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用，以及一些常见的综合性问题。该篇是学习深度学习的重点和难点，作者通过

  3. 所属分类：深度学习

    • 发布日期：2019-07-15
    • 文件大小：36700160
    • 提供者：jcway

  1. tensorflow实现残差网络方式(mnist数据集)

  2. 主要介绍了tensorflow实现残差网络方式(mnist数据集)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-16
    • 文件大小：304128
    • 提供者：weixin_38691006

  1. tensorflow实现残差网络方式(mnist数据集)

  2. 介绍 残差网络是何凯明大神的神作，效果非常好，深度可以达到1000层。但是，其实现起来并没有那末难，在这里以tensorflow作为框架，实现基于mnist数据集上的残差网络，当然只是比较浅层的。 如下图所示： 实线的Connection部分，表示通道相同，如上图的第一个粉色矩形和第三个粉色矩形，都是3x3x64的特征图，由于通道相同，所以采用计算方式为H(x)=F(x)+x 虚线的的Connection部分，表示通道不同，如上图的第一个绿色矩形和第三个绿色矩形，分别是3x3x64和3x3x1

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：59392
    • 提供者：weixin_38725015

  1. monoResMatch-Tensorflow:单眼残差匹配（monoResMatch）网络的Tensorflow实现-源码

  2. monoResMatch-Tensorflow 学习融合传统立体知识的单眼深度估计 ， ， 和 CVPR 2019 建筑学 单眼残差匹配（monoResMatch）网络的Tensorflow实现。 要求 该代码已在Tensorflow 1.8，CUDA 9.0和Ubuntu 16.04上进行了测试。 训练 城市风光 CityScapes数据集包含在不同天气情况下从行驶中的车辆中获取的有关德国约50个城市的立体声对。 它包括22,973对立体声，分为火车，验证和测试集。 您可以在./util

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：1048576
    • 提供者：weixin_42181693

  1. MAMNet-Tensorflow-2：MAMNet的Tensorflow 2.0实现-源码

  2. MAMNet-Tensorflow-2 该存储库是论文“ MAMNet：用于图像超分辨率的多路径自适应调制网络”的非正式Tensorflow 2.0实现。 Tensorflow的官方实现可以在这里>> [ ]。 如果您对此工作有任何兴趣或疑问，请随时与我们联系。 [ ] 介绍 近年来，基于深度卷积神经网络（CNN）的单图像超分辨率（SR）方法取得了重大进展。 但是，由于卷积运算的非自适应性质，它们无法适应图像的各种特征，这限制了它们的表示能力，因此导致不必要的大模型尺寸。 为了

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：1048576
    • 提供者：weixin_42128141

  1. Road_extraction：注意Unet和Deep Unet实现，用于道路提取多gpu张量流-源码

  2. Road_extraction 使用多GPU模型张量流的Attention Unet和Deep Unet实现道路提取 Deep U-Net的多种变体已经过额外的层和额外的卷积测试。 尽管如此，优于所有人的模型是Attention U-Net：学习在哪里寻找胰腺。 我添加了一个额外的调整来提高性能，将卷积块切换为残差块 TensorFlow分割 TF细分模型，U-Net，Attention Unet，Deep U-Net（U-Net的所有变体） 使用神经网络（NN）进行图像分割，旨在从遥感影像

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：16777216
    • 提供者：weixin_42172972

  1. DnCNN-tensorflow：“超出高斯消噪器：用于图像去噪的深度CNN的残差学习”论文的张量流实现器-源码

  2. DnCNN-张量流 TIP2017论文的张量流执行器， 模型架构 结果 BSD68平均结果 BSD68数据集上不同方法的平均PSNR（dB）结果。 噪音等级 BM3D 无线网络 锁相环 MLP 脑脊液 TNRD 神经网络 神经网络 DnCNN-张量流 25 28.57 28.83 28.68 28.96 28.74 28.92 29.23 29.16 29.17 Set12平均结果 噪音等级 神经网络 DnCNN-张量流 25 30.44 30.38 要求 t

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：72351744
    • 提供者：weixin_42116713

  1. EDSR-Tensorflow：针对单图像超分辨率的增强型深度残差网络的Tensorflow实现-源码

  2. EDSR Tensorflow实施 使用Tensorflow编写的的的实现。 要求 张量流 科学的 tqdm argparse 安装 pip install -r requirements.txt 训练 为了训练，您必须做一些事情... 下载图像数据集（由于我的计算限制，我使用了 ） 将来自该数据集的所有图像放入该图像下的目录中 运行python train.py --dataset data_dir其中data_dir是包含图像的目录 为了在训练期间查看统计信息（图像预览，标量为损失）

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：200704
    • 提供者：weixin_42097914

  1. 事实：残差网络的空间自适应计算时间-源码

  2. 残差网络的空间自适应计算时间 该代码实现了基于残差网络的深度学习架构，该架构可动态调整图像区域的已执行层数。 该体系结构是端到端可训练的，确定性的且与问题无关的。 随附的代码将此应用于CIFAR-10和ImageNet图像分类问题。 它使用TensorFlow和TF-Slim实现。 描述项目的论文： 迈克尔·菲格诺夫（Michael Figurnov），麦克斯韦·D·柯林斯（Maxwell D. 残差网络的空间自适应计算时间。 CVPR 2017 。 图像（带有检测） 思考成本图 建立

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：855040
    • 提供者：weixin_42131316

  1. keras-resnet：使用Keras-1.0功能API的残留网络实现-源码

  2. keras-resnet 使用Keras-1.0功能API的残留网络实现，可与theano / tensorflow后端和'th'/'tf'图像暗淡排序一起使用。 原始文章 （2015年ImageNet竞赛获胜者） 残留块 残差块基于中的提出的新改进方案，如图（b）所示。 瓶颈和基本残差块均受支持。 要切换它们，只需在提供块功能 代码演练 该体系结构基于50层示例（摘录自纸张） 这里要注意两个关键方面 conv2_1的步幅为（1，1），而其余conv层在该块的开头步幅为（2，2）。 在下面

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：149504
    • 提供者：weixin_42135754