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. CNN特征可视化报告

  2. 今年来CNN在图像分类和物体检测领域大放异彩，主要是以下几项因素的作用:1.数以百万计带标签的训练数据的出现；2.GPU的强大计算能力；3.更好的模型调优策略：如DropOut策略，使得训练大的模型成为可能。尽管如此，从科学的角度来看，这是令人很不满意的。因为我们并不能解释这个复杂的模型，也就不理解为什么它能达到这么好的效果，而不了解这个模型如何工作和为什么有作用，我们改进模型就只能使用试错法。这篇论文提出了一种新的可视化技术，揭示了模型中任意层的特征图片与输入之间的响应关系。

  3. 所属分类：深度学习

    • 发布日期：2018-03-22
    • 文件大小：2mb
    • 提供者：qq_26854349

  1. 卷积神经网络可视化

  2. 神经网络很多时候就像是个黑盒子，里面到底是什么样，是什么样的结构，是怎么训练的，可能很难搞清楚。而本代码就是可以把复杂的神经网络训练过程给可视化，可以更好地理解，调试并优化程序。可以看到每层网络的学习结果.

  3. 所属分类：深度学习

    • 发布日期：2018-05-10
    • 文件大小：5mb
    • 提供者：srf_code

  1. CNN可视化& 反卷积.zip

  2. 2014 ECCV 深度学习卷积神经网络开始之作，CNN可视化，介绍了CNN不同层的作用及特征图的可视化，2011 ICCV 可视化反卷积论文

  3. 所属分类：深度学习

    • 发布日期：2020-04-30
    • 文件大小：37mb
    • 提供者：xiao_9626

  1. 机器学习-12. TensorBoard可视化

  2. 人工智能基础视频教程零基础入门课程 第十二章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Tenso

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：351mb
    • 提供者：suolong123

  1. keras训练曲线,混淆矩阵,CNN层输出可视化实例

  2. 主要介绍了keras训练曲线,混淆矩阵,CNN层输出可视化实例，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：277kb
    • 提供者：weixin_38703277

  1. keras CNN卷积核可视化,热度图教程

  2. 主要介绍了keras CNN卷积核可视化,热度图教程，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：245kb
    • 提供者：weixin_38545768

  1. 如何实现Tensorboard对CNN神经网络的可视化

  2. 如何实现Tensorboard对CNN神经网络的可视化 Ⅰ.参数可视化： Ⅱ.结构可视化： 怎么使用Tensorboard实现这么professional又pretty(:heart_suit:∀:heart_suit:)的网络可视化操作呢？我们通过下面4个步骤进行对CNN网络t的可视化实现。 1.命名空间 ​ 使用tf.name_scope(“空间名称”)进行空间的命名，scope即为范围的意思。同时可对x，y等自变量进行名称的设置，通过name=”变量名称”实现。 #命名空间

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：237kb
    • 提供者：weixin_38707061

  1. 神经网络的三种可视化方法——使用keras和MXNet(gluon)实现

  2. 神经网络的三种可视化方法——用keras和MXNet(gluon)实现 目录神经网络的三种可视化方法——用keras和MXNet(gluon)实现概述keras实现keras特征图可视化keras可视化滤波器(卷积核)的最大响应图keras可视化热力图MXNet(Gluon)实现Gluon可视化特征图Gluon可视化滤波器(卷积核)的最大响应图Gluon可视化热力图 keras之父弗朗西斯科肖莱在他的书中提到了CNN的三种常用可视化方法, 同样的算法原理在李宏毅深度学习教程的Explainabl

  3. 所属分类：其它

  1. vis-basic-cnn:在这里，您可以可视化基本CNN的几乎所有方面（权重，偏差，层后输出等）-源码

  2. vis-basic-cnn 在这里，您可以可视化基本CNN的几乎所有方面（权重，偏差，一层输出等）。

  3. 所属分类：其它

  1. visualizing-my-CNN:笔记本以可视化卷积滤波器进行图像分类-源码

  2. 可视化我的CNN 笔记本以可视化卷积滤波器进行图像分类

  3. 所属分类：其它

  1. mots_tools:用于评估和可视化多对象跟踪和分段（MOTS）任务的结果的工具-源码

  2. mots_tools 用于评估和可视化多对象跟踪和分段（MOTS）任务的结果的工具。 有关TrackR-CNN代码，请访问 项目网站（包括注释） 纸 使用mots_tools 请安装cocotools（ ），我们将其与行程编码的二进制掩码一起使用。 如果要使用此脚本显示结果，请同时安装FFmpeg。 为了评估或可视化您的MOTS方法的结果，请以我们用于地面真相注释的两种格式之一导出它们：png或txt（请参阅 ）。 当使用png时，我们希望结果图像位于与序列相对应的子文件夹中（例如

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：13kb
    • 提供者：weixin_42116701

  1. PyTorch可视化理解卷积神经网络

  2. 本文来自于segmentfault，文章使用图片加代码的形式讲解CNN网络，并对每层的输出进行可视化。如今，机器已经能够在理解、识别图像中的特征和对象等领域实现99％级别的准确率。生活中，我们每天都会运用到这一点，比如，智能手机拍照的时候能够识别脸部、在类似于谷歌搜图中搜索特定照片、从条形码扫描文本或扫描书籍等。造就机器能够获得在这些视觉方面取得优异性能可能是源于一种特定类型的神经网络——卷积神经网络（CNN）。如果你是一个深度学习爱好者，你可能早已听说过这种神经网络，并且可能已经使用一些深度学

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：874kb
    • 提供者：weixin_38746918

  1. CNN卷积可视化实现.zip

  2. 卷积神经网络cnn免费可视化程序

  3. 所属分类：互联网

    • 发布日期：2021-02-17
    • 文件大小：45kb
    • 提供者：qq_40991687

  1. 可视化和医学图像分析：可视化和医学图像分析-源码

  2. 可视化和医学图像分析* 该存储库旨在为BraTS 2019数据集开发基于CNN的2D语义分割模块，用于脑肿瘤检测。 架构：U-Net 安装： pip install -e。 火车： python visualizer / train.py -c配置/train.gin 评估： python visualizer /评估/evaluate.py -c config / evaluate.gin 参考： [1] BH Menze，A。Jakab，S。Bauer，J。Kalpath

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：42kb
    • 提供者：weixin_42128963

  1. cnn-vis-vr：虚拟现实中CNN的可视化-源码

  2. CNNVisVR 虚拟现实中卷积神经网络（CNN）可视化的原型 为HTC Vive和HTC Vive Pro开发 依赖项：SteamVR（最新测试版本：1.3.20） 已测试Unity版本2018.3.5f1个人 设置：使用Unity作为Unity项目打开存储库文件夹。 资产和项目设置应自动加载。 SteamVR插件也将安装。 现在可以打开并启动Assets / Scenes文件夹中的场景。 SteamVR需要单独安装，并且应该连接和设置HTC Vive / Vive Pro。

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：57mb
    • 提供者：weixin_42109925

  1. cnn-explainer：通过交互式可视化学习卷积神经网络-源码

  2. CNN解释器 交互式可视化系统，旨在帮助非专家学习卷积神经网络（CNN） 有关更多信息，请查看我们的手稿： 。 Wang Zijie J.，Robert Turko，Omar Shaikh，Haekyu Park，Nilaksh Das，Fred Hohman，Minsuk Kahng和Duen Horng Chau。 IEEE Transactions on Visualization and Computer Graphics（TVCG），2020年。 现场演示 有关现场演示，请访问：

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：20mb
    • 提供者：weixin_42109732

  1. cnn-fixations：可视化深度神经网络的预测-源码

  2. cnn-fixations：可视化深度神经网络的预测

  3. 所属分类：其它

  1. PyTorch可视化理解卷积神经网络

  2. 本文来自于segmentfault，文章使用图片加代码的形式讲解CNN网络，并对每层的输出进行可视化。如今，机器已经能够在理解、识别图像中的特征和对象等领域实现99％级别的准确率。生活中，我们每天都会运用到这一点，比如，智能手机拍照的时候能够识别脸部、在类似于谷歌搜图中搜索特定照片、从条形码扫描文本或扫描书籍等。造就机器能够获得在这些视觉方面取得优异性能可能是源于一种特定类型的神经网络——卷积神经网络（CNN）。如果你是一个深度学习爱好者，你可能早已听说过这种神经网络，并且可能已经使用一些深度学

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：862kb
    • 提供者：weixin_38733281

  1. keras CNN卷积核可视化,热度图教程

  2. 卷积核可视化 import matplotlib.pyplot as plt import numpy as np from keras import backend as K from keras.models import load_model # 将浮点图像转换成有效图像 def deprocess_image(x): # 对张量进行规范化 x -= x.mean() x /= (x.std() + 1e-5) x *= 0.1 x += 0.5 x = np.clip(x,

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：248kb
    • 提供者：weixin_38603704

  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：54kb
    • 提供者：weixin_38718415
« 12 3 4 5 6 »