| 共 137 篇文章 |
|
以编码器-解码器架构思想为基础，我们接下来了解一下如何重新利用 CNN 的部分组件使其成为 FCN 的编码器。用于构建 FCN 初始版本的代码地址：https://github.com/farhanhubble/udacity-connect/blob/4408cc1e8917f37e287d09177d6e4585bfe164ff/FCN-mnist.ipynb（最后更新的代码（https://github.com/farhanhubble/udacity-connect/）看似不同但... 阅111 转2 评0 公众公开 18-10-03 10:07 |
神经网络详解，正向传播和反向传播。神经网络的“两个传播”：注意，在深层神经网络中，我们在中间层使用了 “ReLU”激活函数，而不是sigmoid函数了，只有在最后的输出层才使用了sigmoid函数，这是因为 ReLU函数在求梯度的时候更快，还可以一定程度上防止梯度消失现象，因此在深层的网络中常常采用。深度神经网络的正向传播、反向传播和前面写... 阅1261 转6 评0 公众公开 18-10-03 10:06 |
给定正常图像和包含特定风格的图像，然后通过风格迁移不仅保留图像的原始内容，而且将该图像转换为指定的风格。生成模型可用于超分辨率重建、图像着色、图像转换、从文本生成图像、学习隐藏的图像表示、半监督学习等。11.1:多帧图像特征汇合。这类方法将视频视为一系列帧图像，网络接收属于视频的一组多帧图像（例如15帧），然后从这些图像中提... 阅114 转2 评0 公众公开 18-10-03 10:06 |
例如，如果给CNN一个人的图像，这个深度神经网络首先需要学习一些局部特征（例如眼睛、鼻子、嘴巴等）。然后，CNN将查看给定图像中存在的局部特征，然后生成特定的激活模式（或激活矢量），该激活模式将完全的表示这些局部特征映射的存在。完全连接层负责根据激活的特征图集和图像中的位置生成不同的激活图案，并激活特征图。MNIST数据集包含手... 阅2560 转6 评0 公众公开 18-08-30 11:48 |
在功能上，树突用于传入其它神经元传递的神经冲动，而轴突用于将神经冲动传出到其它神经元，当树突或细胞体传入的神经冲动使得神经元兴奋时，该神经元就会通过轴突向其它神经元传递兴奋。由上面可以得知：神经网络的学习主要蕴含在权重和阈值中，多层网络使用上面简单感知机的权重调整规则显然不够用了，BP神经网络算法即误差逆传播算法正是为... 阅609 转1 评0 公众公开 18-08-30 08:52 |
人工神经网络的本质（物理或数学意义）是什么？从数学的角度讲，人工神经网络的本质从机器学习的过程可理解为通过参数求最佳解得过程。同样也是一个负反馈的过程，以最简单的负反馈神经网络bp神经网络(back propagation)为例，其本质可以形象的理解为这样一个过程：以上就是人工神经网络的本质，通过不断尝试引入各种参量，最终得到允许误差范... 阅90 转4 评0 公众公开 18-08-21 18:00 |
对于图像分类问题，局部策略 (即高精度的局部图像) 对于图像识别来说是非常重要的；在测试阶段，从每个测试图像中裁剪一定数量的局部图像，并给每张局部图像加上特定的标签 ( CG 属于0，而 NI 属于1 )，编号较高的标签作为该图像的预测结果。如下表3所示，实验结果表明在全尺寸图像上的模型精度，比在图像块上的模型精度要高，并且采用图像块投... 阅450 转0 评0 公众公开 18-08-13 08:29 |
一开始，循环模型似乎是比前馈模型更灵活、更具表现力的模型。门控卷积语言模型是一种可与大型 LSTM 基准模型竞争的前馈自回归模型。尽管截断长度 k = 25，但该模型在 Wikitext-103 的基准测试上表现优于大型 LSTM 模型，该基准测试用于测试善于捕获长期依赖关系的模型。在深度学习中，谷歌神经机器翻译等模型最开始基于 LSTM 与注意力机制进行... 阅72 转0 评0 公众公开 18-08-11 09:13 |
MIT正式发布编程语言Julia 1.0：Python、R、C 三合一。Julia 语言的官网：https://julialang.org/Julia 语言项目地址：https://github.com/JuliaLang.除此之外，Julia 语言还可以轻松使用 Python、R、C/C++ 和 Java 中的库，这极大地扩展了 Julia 语言的使用范围。Julia 1.0.当然，Julia 1.0 中最重要的一个新特征是对语言 API 稳定性的承诺：... 阅51 转0 评0 公众公开 18-08-10 18:24 |
如何使用神经网络识别图像？然后，我们需要搭建一个神经网络来识别MNIST数据集中的手写数字图像。显然，输出是数字的分类，也就是，神经网络识别这个数字是0-9这10个数字中的一个。那么，神经网络的输出层应该由10个神经元组成，每个神经元代表0-9之间的一个数字分类。（图片来源：ml4a.github.io，许可：GPL-2.0）然而，神经网络就是这么神奇... 阅103 转3 评0 公众公开 18-05-05 07:37 |
