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. Conv_complete.py

  2. PyTorch实现通过卷积神经网络对MNIST数据集的分类实例。 卷积神经网络(CNN)由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果，且考量的参数更少。 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习能力，能够按其阶层结构对输入

  3. 所属分类：深度学习

    • 发布日期：2020-01-10
    • 文件大小：4096
    • 提供者：weixin_45371989

  1. 生成对抗网络（GANs）最新家谱：为你揭秘GANs的前世今生

  2. 生成对抗网络（ AN）一经提出就风光无限，更是被Yann L un誉为“十年来机器学 习领域最有趣的想法”。 GAN“左右互搏”的理念几乎众所周知，但正如卷积神经网络（CNN）一样，GAN发展 至今已经衍生出了诸多变化形态。望伪图像的分布尽可能地接近真图像。或者,简单来说,我们想要伪图像尽可能看起 来像真的一样。 值得一提的是,因为GANs是用极小化极大算法做优化的,所以训练过程可能会很不稳 定。不过你可以使用一些“小技巧”来获得更稳健的训练过程。 在下面这个视频中,你可以看到GANs所生成图片

  3. 所属分类：深度学习

    • 发布日期：2019-07-02
    • 文件大小：1048576
    • 提供者：abacaba

  1. pytorch实现CNN卷积神经网络

  2. 主要为大家详细介绍了pytorch实现CNN卷积神经网络，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-17
    • 文件大小：47104
    • 提供者：weixin_38699352

  1. PyTorch上实现卷积神经网络CNN的方法

  2. 本篇文章主要介绍了PyTorch上实现卷积神经网络CNN的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-20
    • 文件大小：70656
    • 提供者：weixin_38693476

  1. PyTorch上实现卷积神经网络CNN的方法

  2. 一、卷积神经网络 卷积神经网络（ConvolutionalNeuralNetwork，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求，避免复杂的特征工程。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积（滤波器）都会提取数据中最有效的特征，这种方法可以提取到图像中最基础的特征，而后再进行组合和抽象形成更高阶的特征，因此CNN在

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：67584
    • 提供者：weixin_38564718

  1. 关于Pytorch的MNIST数据集的预处理详解

  2. 关于Pytorch的MNIST数据集的预处理详解 MNIST的准确率达到99.7% 用于MNIST的卷积神经网络（CNN）的实现，具有各种技术，例如数据增强，丢失，伪随机化等。 操作系统：ubuntu18.04 显卡：GTX1080ti python版本：2.7（3.7） 网络架构 具有4层的CNN具有以下架构。 输入层：784个节点（MNIST图像大小） 第一卷积层：5x5x32 第一个最大池层 第二卷积层：5x5x64 第二个最大池层 第三个完全连接层：1024个节点 输出层：10个节点（

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：246784
    • 提供者：weixin_38685857

  1. pytorch实现CNN卷积神经网络

  2. 本文为大家讲解了pytorch实现CNN卷积神经网络，供大家参考，具体内容如下 我对卷积神经网络的一些认识     卷积神经网络是时下最为流行的一种深度学习网络，由于其具有局部感受野等特性，让其与人眼识别图像具有相似性，因此被广泛应用于图像识别中，本人是研究机械故障诊断方面的，一般利用旋转机械的振动信号作为数据。     对一维信号，通常采取的方法有两种，第一，直接对其做一维卷积，第二，反映到时频图像上，这就变成了图像识别，此前一直都在利用keras搭建网络，最近学了pytroch搭建cnn的方

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：50176
    • 提供者：weixin_38718434

  1. 卷积神经网络基础（CNN)

  2. 文章目录卷积神经网络基础二维互相关运算二维卷积层互相关运算与卷积运算特征图和感受野填充和步幅填充步幅多输入通道和多输出通道多输入通道多输出通道1×1卷积层卷积层与全连接层的比较卷积层的pytorch实现池化层二维池化层池化层的pytorch实现 卷积神经网络基础 二维互相关运算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-correlation）运算。在二维卷积层中，一个二维输入数组和一个二维核（kernel）数组通过互相关运算输出一

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：132096
    • 提供者：weixin_38604653

  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：894976
    • 提供者：weixin_38746918

  1. CNN-Numpy-Implementation：手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库-源码

  2. CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：321912832
    • 提供者：weixin_42099936

  1. stconvs2s：“ STConvS2S：时空卷积序列到天气预报的序列网络”的代码（Neurocomputing，Elsevier）-源码

  2. STConvS2S：时空卷积序列到序列网络以进行天气预报 更新：随着我们架构的变化而发布的新代码。 请参阅以了解详细信息（2020年11月） 该存储库具有称为STConvS2S的新体系结构的开源实现。 综上所述，我们的方法（STConvS2S）仅使用3D卷积神经网络（CNN）来处理使用时空数据的序列到序列任务。 我们将结果与最新架构进行比较。 （ 版本）上的详细信息。 要求 主要，我们的代码使用Python 3.6和PyTorch 1.0。 有关其他要求，请参见 。 要以与执行实验相同的版

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：1048576
    • 提供者：weixin_42165712

  1. Conv-Deconv-神经网络--源码

  2. Conv-Deconv-神经网络- 介绍 该项目使用Pytorch [1]实现Zeiler的方法来可视化反卷积神经网络。 还实现了卷积神经网络以帮助测试结果。 网络使用了预训练的VGG16模型和一些图片。 我希望演示一个示例，该示例使用Pytorch编写多个神经网络来视觉化人们，以及在实际编码中使用CNN理论的实践。 尽管本教程仅显示了如何在VGG16中进行Conv / Deconv神经网络。 人们当然可以浏览整个过程并修改代码以应用新型的模型。 我还将包括一些说明，以帮助人们进行修改以应用他

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：3072
    • 提供者：weixin_42165490

  1. GraphWaveletNeuralNetwork：“ Graph Wavelet神经网络”的PyTorch实现（ICLR 2019）-源码

  2. 图小波神经网络 ⠀ 图小波神经网络的PyTorch实现（ICLR 2019）。 抽象 我们提出了图小波神经网络（GWNN），一种新颖的图卷积神经网络（CNN），它利用图小波变换来解决依赖于图傅立叶变换的先前频谱图CNN方法的缺点。 与图傅立叶变换不同，可以通过快速算法获得图小波变换，而无需矩阵本征分解，且计算量大。 此外，图小波稀疏并局限在顶点域，为图卷积提供了高效率和良好的可解释性。 在三个基准数据集：Cora，Citeseer和Pubmed的基于图的半监督分类任务中，提出的GWNN明显优

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：4194304
    • 提供者：weixin_42101641

  1. 使用PyTorch进行深度学习：使用PyTorch解密神经网络-源码

  2. 通过PyTorch应用深度学习 机器学习正Swift成为解决数据问题的首选方法，这归功于种类繁多的数学算法可以找到模式，而这些模式对于我们而言是不可见的。 通过PyTorch进行的应用深度学习使您对深度学习，其算法及其应用有了更高的了解。 本课程首先帮助您浏览深度学习和PyTorch的基础知识。 一旦您精通PyTorch语法并能够构建单层神经网络，您将通过配置和训练卷积神经网络（CNN）进行图像分类，逐步学习解决更复杂的数据问题。 在阅读本章的过程中，您将发现如何通过实现递归神经网络（RNN）

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：38797312
    • 提供者：weixin_42166105

  1. 基于字符的cnn：基于字符的卷积神经网络的实现-源码

  2. 基于字符的CNN 此存储库包含用于文本分类的字符级卷积神经网络的PyTorch实现。 该模型的体系结构来自本文： : 有两种变体：大型和小型。 您可以通过更改配置文件在两者之间切换。 该架构具有6个卷积层： 层 大型功能 小功能 核心 泳池 1个 1024 256 7 3 2 1024 256 7 3 3 1024 256 3 不适用 4 1024 256 3 不适用 5 1024 256 3 不适用 6 1024 256 3 3

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：219136
    • 提供者：weixin_42127937

  1. crnn：卷积递归神经网络（CRNN），用于基于图像的序列识别-源码

  2. 卷积递归神经网络 该软件实现了卷积递归神经网络（CRNN），它结合了CNN，RNN和CTC损失，可用于基于图像的序列识别任务，例如场景文本识别和OCR。 有关详细信息，请参阅我们的论文 。 更新2017年3月14日，一个Docker文件已添加到项目中。 感谢 。 UPDATE 2017年5月1日一PyTorch已作出 。 更新2017年6月19日对于端到端文本检测器+识别器，请通过签出 。 建立 该软件仅在Ubuntu 14.04（x64）上经过测试。 需要启用CUDA的GPU。 要构建项

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：68608
    • 提供者：weixin_42131785

  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：882688
    • 提供者：weixin_38733281

  1. 全人类最易懂的人工智能（机器学习）深度学习教程—-第6集：CNN卷积神经网络and代码Pytorch实现（MNIST手写数字）（“看不懂CNN吗？看我！”）

  2. 文章目录第零节 代码（学习部分，非完整）第一节 来看我的图，和代码一致！！！第二节 别急，分阶段来聊第一小段 28×28×1灰度图 计算出 28×28×16 的特征图组（过滤器是5×5×32）（最难）：补充说明一补充说明二第二小段 28×28×16 的特征图组 裁剪成 14×14×16的特征图组第三小段 14×14×16的特征图组 再一次进行卷积（过滤器是5×5×32）计算，获得14×14×32的特征图组第四小段 14×14×32的特征图进行裁剪，获得7×7×32的特征图第五小段 将32×7×

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：2097152
    • 提供者：weixin_38645373

  1. Pytorch实现卷积神经网络mnist数据集手写识别

  2. Pytorch实现前馈神经网络fnn和卷积神经网络cnn，基于mnist数据集进行训练测试，实现手写数字识别，可以自定义28*28图片进行测试。详细。

  3. 所属分类：互联网

    • 发布日期：2021-01-15
    • 文件大小：106954752
    • 提供者：GWH_98

  1. cnn-model-pruning:修剪，模型压缩，卷积神经网络-源码

  2. CNN修剪-GAL，CVPR 2019 [再现] 修剪，模型压缩，对抗学习，卷积神经网络。 参考 通过生成对抗性学习（GAL）实现最佳结构化的CNN修剪，CVPR 2019。 FLOP计算工具 要求 python3 pytorch == 1.7.1 cudatoolkit == 11.0.221 numpy == 1.19.2 张量板x == 1.4 实验 CIFAR-10上的ResNet-56。 （图像分类） 执行 预训练模型准备 预训练的权重可从GAL（ ）下载。 培训和结构修

  3. 所属分类：其它

    • 发布日期：2021-04-01
    • 文件大小：92160
    • 提供者：weixin_42102272
« 12 3 »