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. 【学习笔记】动手学深度学习task05

  2. 一、卷积神经网络基础 1.互相关运算 举例二维互相关运算如下： 输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。 卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。 互相关运算与卷积运算：卷积层得名于卷积运算，但卷积层中用到的并非卷积

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：500kb
    • 提供者：weixin_38732315

  1. 动手学深度学习Pytorch版本学习笔记 Task 05

  2. 1.卷积神经网络基础 卷积其实就是将许多部分的信息进行压缩，在过大维度矩阵的情况下，因为存在过多的信息 第一是为运算上带来了很多麻烦 第二是类似拿着显微镜看一幅画，难以捕捉其整体的信息。通过互相关运算将画拿远，慢慢感受他整体的信息。所以应该在卷积神经网络中把大矩阵缩小多少次，缩小到什么程度应该是个相当关键的问题。只有在能看清具体信息但又能把握整体信息的情况下，才能得到对图像更清楚地把握。 通过感受野这个概念能发现，经过互相关运算或者卷积运算之后的矩阵，应该每个位置都综合了之前感受野中的信息，所以

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：64kb
    • 提供者：weixin_38696339

  1. 【DL学习笔记】打卡02：Task03-05

  2. Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer Task05：卷积神经网络基础；leNet；卷积神经网络进阶 过拟合、欠拟合及其解决方案 一类是模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting）； 另一类是模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。 在实践中，我们要尽可能同时应对欠拟合和过拟合。虽

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：69kb
    • 提供者：weixin_38508497

  1. pytorch task05 卷积神经网络

  2. pytorch task05 卷积神经网络 文章目录pytorch task05 卷积神经网络1.卷积神经网络基础1.1二维卷积层1.2填充和步幅1.3多输入通道和多输出通道1.4卷积层与全连接层的对比1.5池化2 经典模型LeNet-5AlexNetVGGGoogLeNet (Inception)ResNet退化问题残差网络的解决办法 1.卷积神经网络基础 1.1二维卷积层 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：182kb
    • 提供者：weixin_38706455

  1. Task05：卷积神经网络基础；leNet；卷积神经网络进阶 学习笔记

  2. 卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：150kb
    • 提供者：weixin_38628830

  1. 伯禹公益AI《动手学深度学习PyTorch版》Task 05 学习笔记

  2. 伯禹公益AI《动手学深度学习PyTorch版》Task 05 学习笔记 Task 05：卷积神经网络基础；LeNet；卷积神经网络进阶 微信昵称：WarmIce 昨天打了一天的《大革命》，真挺好玩的。不过讲道理，里面有的剧情有点为了“动作”而“动作”，颇没意思。但是Ubi的故事还是讲得一如既往得好。 言归正传，这3节课，前两节没什么意思，充其量复习了计算卷积层输出的特征图大小的公式： $ \mathbf{floor}((in_size + padding – kernel_size)/stri

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：48kb
    • 提供者：weixin_38720653

  1. Task03、Task04、Task05

  2. 本文意在于记录短期学习中同僚总结的知识点，主要学习平台在伯禹https://www.boyuai.com/elites/course/cZu18YmweLv10OeV Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶（1天） Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer（1天） Task05：卷积神经网络基础；leNet；卷积神经网络进阶（1天） Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：115kb
    • 提供者：weixin_38571878

  1. 动手学深度学习Pytorch版Task05

  2. 卷积神经网络基础 二维卷积层 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。 二维卷积层 class Conv

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：194kb
    • 提供者：weixin_38545485

  1. 《动手学深度学习》第二次打卡-学习小队

  2. 一、学习任务： Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer Task05：卷积神经网络基础；leNet；卷积神经网络进阶 二、学习要点 2.1 过拟合、欠拟合及其解决方案 过拟合：太过贴近于训练数据的特征了，在训练集上表现非常优秀，近乎完美的预测/区分了所有的数据，但是在新的测试集上却表现平平 欠拟合：样本不够或者算法不精确，测试样本特性没有学到，不具泛化性，拿到新样本后

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：500kb
    • 提供者：weixin_38613154

  1. TASK05-卷积神经网络基础-AlexNet-Lexnet

  2. 卷积神经网络基础-主要是一些概念性的内容，一做题目，几乎全部错误了，悲剧呀。 把题目和解析放下面。 1. 假如你用全连接层处理一张256×256256 \times 256256×256的彩色（RGB）图像，输出包含1000个神经元，在使用偏置的情况下，参数数量是： 65536001 65537000 196608001 196609000 答案解释 图像展平后长度为3×256×2563 \times 256 \times 2563×256×256，权重参数和偏置参数的数量是3×256×256×

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：75kb
    • 提供者：weixin_38601446

  1. Task 05 打卡

  2. 1. 卷积神经网络基础 卷积神经网络的基础概念，主要是卷积层和池化层，并理解填充、步幅、输入通道和输出通道的含义。 使用Pytorch中的nn.Conv2d类来实现二维卷积层，主要关注以下几个构造函数参数： in_channels (python:int) – Number of channels in the input imag out_channels (python:int) – Number of channels produced by the convolution kernel_

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：358kb
    • 提供者：weixin_38551046

  1. 动手学深度学习Task05

  2. Task05 1.卷积神经网络基础 用一个边缘检测的例子来说明卷积过程： 给定的filter在输入图像上进行平移，每移动到一个位置上就把filter和input重合位置上的两个像素值相乘，再把该位置上所有的乘积加和，得到一个新的数值，作为输出output对应位置的一个像素，由此也可以得到维度计算公式如下： (nh,kh)×(nw,kw)=(nh-kh+1,nw-kw+1) 二维卷积层 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：519kb
    • 提供者：weixin_38707192

  1. 【动手学深度学习】Task05笔记汇总

  2. Task05：卷积神经网络基础；leNet；卷积神经网络进阶 相比taks04，感觉这边比较能看得下去，就先看了。   卷积神经网络基础 1.卷积和池化的计算概念不难理解，本质还是矩阵运算，又在感叹之前老师在代数学里埋的种子。 2.二者最大的区别是，池化层好像没有自己学什么，只是数值的搬运工，然后在模型里的日常工作是降维。但卷积层应该是学到新东西了，适当设置步长也能代班降维。想到之前有个朋友还玩了卷积核的可视化，之前没懂她在干嘛，现在可能有点点懂了。池化层有参与模型的正向计算，同样也会参与反向传

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：264kb
    • 提供者：weixin_38607908

  1. task05卷积神经网络基础

  2. 卷积神经网络基础¶ 本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：82kb
    • 提供者：weixin_38731226

  1. 动手学深度学习实现DAY-2

  2. 节选自“ElitesAI·动手学深度学习PyTorch版” Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶（1天） Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer（1天） Task05：卷积神经网络基础；leNet；卷积神经网络进阶（1天） 过拟合、欠拟合及其解决方案 过拟合、欠拟合的概念 权重衰减 丢弃法 模型选择、过拟合和欠拟合 训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training err

  3. 所属分类：其它

  1. 动手学深度学习Pytorch Task05

  2. 本节课内容，卷积神经网络基础、LeNet、卷积神经网络进阶 一、卷积神经网络基础 二维互相关运算：二维互相关运算的输入是一个二维输入数组和一个二维核数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。下图展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。 二维卷积层：二维卷积层将输入和卷积核做互相关运算，并

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：384kb
    • 提供者：weixin_38738977

  1. Task05:卷积神经网络基础+LeNet

  2. 卷积神经网络 感受野 LeNet架构 卷积层 互相关运算与卷积运算 卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。 填充 步幅 多输入通道和多输出通道 卷积层的简洁实现 X = torch.rand(4, 2, 3, 5) print(X.shape) conv2d = nn.Conv2d(in_ch

  3. 所属分类：其它

  1. DataWhale组队打卡学习营task05-1 卷积神经网络基础

  2. 卷积神经网络基础 二维卷积层 本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：365kb
    • 提供者：weixin_38696339

  1. 《动手学深度学习》Task05：卷积神经网络基础+LeNet+卷积神经网络进阶

  2. 文章目录1 卷积神经网络基础1.1 二维卷积层1.2 填充和步幅1.3 多输入通道和多输出通道1.4 卷积层与全连接层的对比1.4 池化2 LeNet2.1 LeNet 模型2.2 获取数据和训练模型3 卷积神经网络进阶3.1 深度卷积神经网络（AlexNet）3.2 使用重复元素的网络（VGG）3.3 网络中的网络（NiN）3.4 GoogLeNet 1 卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 1.1 二维卷积层

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：651kb
    • 提供者：weixin_38672800

  1. 动手学习深度学习—task05

  2. 文章目录卷积神经网络基础特征图与感受野填充和步幅1×1卷积层卷积层与全连接层的对比池化层LeNetAlexNet创新VGG创新NiN创新GoogLeNet创新 卷积神经网络基础 特征图与感受野 二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（feature map）。影响元素x的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做x的感受野（receptive field） 填充和步幅 填充 填充（padding）是指在输入高和宽的两侧填充元素（通常是0

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：494kb
    • 提供者：weixin_38704565
« 12 »