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. Neural Networks: Tricks of the Trade

  2. Neural Networks: Tricks of the Trade

  3. 所属分类：讲义

    • 发布日期：2017-03-30
    • 文件大小：11534336
    • 提供者：u010417185

  1. A guide to convolution arithmetic for deep learning

  2. 一篇外国大牛写的关于CNN调参的讲解，具体内容见目录： 1 Introduction 1.1 Discrete convolutions . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2 Pooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 Convolution arithmetic 2.1 No zero padding, uni

  3. 所属分类：机器学习

    • 发布日期：2017-10-28
    • 文件大小：1048576
    • 提供者：qq_35653660

  1. 深度学习调参有哪些技巧？| 干货

  2. 文章的主要内容源于Stanford CS231n Convolutional Neural Networks for Visual Recognition课程里介绍的一些通过可视化手段，调试理解CNN网络的技巧，在该课程的基础上我作了一些沿展阅读，算是把当中的内容进一步丰富系统化了一下。限于时间精力，我也没有能够把里面提到的所有调试技巧全部进行尝试，不过在整理这篇文章的时候，我还是参考了不止一处文献，也结合之前以及最近跟一些朋友的技术交流沟通，对这些方法的有效性我还是有着很强的confiden

  3. 所属分类：深度学习

    • 发布日期：2018-03-07
    • 文件大小：886784
    • 提供者：qq_40841714

  1. 全卷积层FCN的提出，以及在语义分割的应用

  2. 全卷积层FCN的提出，以及在语义分割的应用。作者有强大的调参技巧，网络有很多看起来简单，但实际上十分难以得出的结论

  3. 所属分类：深度学习

    • 发布日期：2018-09-20
    • 文件大小：829440
    • 提供者：qq_35978445

  1. 魏秀参CNN book trick深度学习调参技巧

  2. 魏秀参CNN book， 以及cnn trick。深度学习书和调参技巧ppt

  3. 所属分类：深度学习

    • 发布日期：2018-10-08
    • 文件大小：73400320
    • 提供者：qq_21997625

  1. 卷积神经网络调优.rar

  2. 卷积神经网络调优相关资料 深度学习调优技巧 包括一些网页的整理以及 魏秀参CNN book trick深度学习调参技巧

  3. 所属分类：深度学习

    • 发布日期：2019-07-29
    • 文件大小：55574528
    • 提供者：suofen9703

  1. 【调参01】如何使用网格搜索寻找最佳超参数配置

  2. 本文介绍了如何使用网格搜索寻找网络的最佳超参数配置。 文章目录1. 准备数据集2. 问题建模2.1 训练集测试集拆分2.2 转化为监督学习问题2.3 前向验证2.4 重复评估2.5 网格搜索2.6 实例化3. 使用网格搜索寻找CNN最佳超参数3.1 超参数配置3.2 消除季节性影响3.3 问题建模3.4 完整代码 代码环境： python -3.7.6 tensorflow -2.1.0 假设现在已经定义好了网络模型，但需要对模型中的超参数进行微调。常用的方法是穷尽网格搜索（Exhaus

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：151552
    • 提供者：weixin_38623009

  1. 文本分类——Embedding、CNN、RNN练手

  2. 说明 本文是方法记录，不是完整的项目过程（在我Jupyter上，数据前期预处理部分懒得搬了），也没有调参追求准确度（家里电脑跑不动）。 参考任务来源于Kaggle，地址：电影评论情感分类 本文参考了不同的资料来源，包括斯坦福CS224N的课程资料，网上博客，Keras官方文档等 任务核心部分 1.单词表示 1.1 理论部分 对大部分（或者所有）NLP任务，第一步都应该是如何将单词表示成符合模型所需要的输入。最直接的思路就是将单词（符号）变为词向量。 词向量的表示方法： one-hot 编码：想法

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：134144
    • 提供者：weixin_38587924

  1. caffe_ocr：主流ocr算法研究实验性的项目，目前实现了CNN + BLSTM + CTC架构-源码

  2. 简介 caffe_ocr是一个对现有主流ocr算法研究实验性的项目，目前实现了CNN + BLSTM + CTC的识别架构，并在数据准备，网络设计，调参等方面进行了很多的实验。代码包含了对lstm ，warp-ctc，multi-label等的适应和修改，还基于inception，restnet，densenet的网络结构。代码是针对Windows平台的，linux平台下只需要合并相关的修改到caffe代码中即可。 caffe代码修改 1.数据层增加了对多标签的支持2. lstm使用的是junh

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：27262976
    • 提供者：weixin_42172972

  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：55296
    • 提供者：weixin_38718415