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. Chemistry.AI | 基于卷积神经网络（CNN）预测分子特性

  2. CNN :Convolutional Neural Networks (卷积神经网络 ) 环境准备 Python版本：Python 3.6.8 PyTorch版本：PyTorch1.1.0 RDKit版本：RDKit 2020.03.1 基于卷积神经网络（CNN）预测分子特性 导入库 from rdkit import Chem from rdkit.Chem.Crippen import MolLogP import numpy as np import torch import tim

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：56320
    • 提供者：weixin_38509082

  1. 深度可分离卷积网络的理论与实战（TF2.0）

  2. 1、深度可分离卷积网络的理论 深度可分离卷积是普通卷积操作的一个变种，它可以替代不同卷积，从而构成卷积神经网络。 以精度损失为代价去换取计算量的减少和参数量的减少，从而使得深度可分离卷积网络可以在手机端运行。 用右图的结构代替左图： 它的好处是，有不同尺寸的视野域， 如下图是Inception V3的结构：从左到右的视野域为：1*1,3*3,6*6,5*5，在这四个分支上有4种不同的视野域，4种不同的视野域也就提取出了4种不同尺寸的图像特征。最后输出的信息就更丰富，效果更好。并且相对于不做分支

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：152576
    • 提供者：weixin_38665193

  1. Tensorflow 卷积的梯度反向传播过程

  2. 一. valid卷积的梯度 我们分两种不同的情况讨论valid卷积的梯度：第一种情况，在已知卷积核的情况下，对未知张量求导(即对张量中每一个变量求导)；第二种情况，在已知张量的情况下，对未知卷积核求导(即对卷积核中每一个变量求导) 1.已知卷积核，对未知张量求导 我们用一个简单的例子理解valid卷积的梯度反向传播。假设有一个3×3的未知张量x，以及已知的2×2的卷积核K Tensorflow提供函数tf.nn.conv2d_backprop_input实现了valid卷积中对未知变量的求导，以

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：43008
    • 提供者：weixin_38538224

  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. Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的

  2. 实验环境：tensorflow版本1.2.0，python2.7 介绍 depthwise_conv2d来源于深度可分离卷积: Xception: Deep Learning with Depthwise Separable Convolutions tf.nn.depthwise_conv2d(input,filter,strides,padding,rate=None,name=None,data_format=None) 除去name参数用以指定该操作的name，data_format指

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：176128
    • 提供者：weixin_38682406

  1. Tensorflow tf.nn.atrous_conv2d如何实现空洞卷积的

  2. 实验环境：tensorflow版本1.2.0，python2.7 介绍 关于空洞卷积的理论可以查看以下链接，这里我们不详细讲理论： 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networks for semantic segmentation[C]. Computer Vision and Pattern Recognition, 2015. 2.Yu, Fisher, and Vladlen Koltun. “Mu

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：186368
    • 提供者：weixin_38716556

  1. 使用卷积神经网络（CNN）做人脸识别的示例代码

  2. 上回书说到了对人脸的检测，这回就开始正式进入人脸识别的阶段。 关于人脸识别，目前有很多经典的算法，当我大学时代，我的老师给我推荐的第一个算法是特征脸法，原理是先将图像灰度化，然后将图像每行首尾相接拉成一个列向量，接下来为了降低运算量要用PCA降维， 最后进分类器分类，可以使用KNN、SVM、神经网络等等，甚至可以用最简单的欧氏距离来度量每个列向量之间的相似度。OpenCV中也提供了相应的EigenFaceRecognizer库来实现该算法，除此之外还有FisherFaceRecognizer、L

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：739328
    • 提供者：weixin_38714653

  1. Python使用scipy模块实现一维卷积运算示例

  2. 本文实例讲述了Python使用scipy模块实现一维卷积运算。分享给大家供大家参考，具体如下： 一 介绍 signal模块包含大量滤波函数、B样条插值算法等等。下面的代码演示了一维信号的卷积运算。 二 代码 import numpy as np import scipy.signal x = np.array([1,2,3]) h = np.array([4,5,6]) print(scipy.signal.convolve(x, h))#一维卷积运算 三 运行结果 [ 4 13 28 2

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：39936
    • 提供者：weixin_38657290

  1. pytorch神经网络之卷积层与全连接层参数的设置方法

  2. 当使用pytorch写网络结构的时候，本人发现在卷积层与第一个全连接层的全连接层的input_features不知道该写多少？一开始本人的做法是对着pytorch官网的公式推，但是总是算错。 后来发现，写完卷积层后可以根据模拟神经网络的前向传播得出这个。 全连接层的input_features是多少。首先来看一下这个简单的网络。这个卷积的Sequential本人就不再啰嗦了，现在看nn.Linear(？？？, 4096)这个全连接层的第一个参数该为多少呢？ 请看下文详解。 class Alex

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：44032
    • 提供者：weixin_38584642

  1. 利用c语言实现卷积码编码器示例

  2. 实现(2, 1, 7)卷积码编码信息序列1001 1010 1111 1100生成序列g1 = 1011011;g2 = 1111001初始状态全0.以上参数可自行在main中修改。 代码如下:/***This is an simple example program of convolutional encoder.   *The information sequence, the register initial states and the generation sequence   *

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：31744
    • 提供者：weixin_38598703

  1. 基于matlab的GUI界面多种卷积计算和滤波器等

  2. 本资源时基于matlab的GUI界面多种卷积计算和滤波器等，可以实现手动输入，锯齿、正弦等波形选择，也可以由自己任意输入序列。一步一步的演示卷积计算步骤和结果。包括循环卷积、线性卷积、快速卷积。其次含有卡尔曼滤波等功能。

  3. 所属分类：专业指导

    • 发布日期：2020-12-30
    • 文件大小：303104
    • 提供者：jellywon

  1. FFT和矩阵乘法实现线性卷积（MATLAB）

  2. 分别使用FFT和矩阵乘法实现线性卷积，并在CPU和GPU两种情况下比较运行时间。

  3. 所属分类：专业指导

    • 发布日期：2020-12-28
    • 文件大小：2048
    • 提供者：baidu_41651935

  1. TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片

  2. 本文是Python通过TensorFlow卷积神经网络实现猫狗识别的姊妹篇，是加载上一篇训练好的模型，进行猫狗识别 本文逻辑： 我从网上下载了十几张猫和狗的图片，用于检验我们训练好的模型。 处理我们下载的图片 加载模型 将图片输入模型进行检验 代码如下： #coding=utf-8 import tensorflow as tf from PIL import Image import matplotlib.pyplot as plt import input_data imp

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：144384
    • 提供者：weixin_38658085

  1. 卷积神经网络基础

  2. 1.二维互相关运算：由二维的输入数组和二维的核数组得到一个二维的输出数组。 这个二维的核数组通常称为卷积核或过滤器（filter），它的高度和宽度一般比输入数组小。 二维卷积层是将输入与卷积核做互相关运算，再加一个标量偏置。因此卷积层的模型参数就包括卷积核和标量偏置。 2.特征图（feature map）：简单来说就是指输出数组，因为它可以看作是输入在空间维度（高和宽）上的某一级表征。 感受野（receptive field）：输出数组上的某一个数y可以被输入数组上的哪些数字x所影响，这些x就是

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：59392
    • 提供者：weixin_38714761

  1. 深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶

  2. 目录 卷积神经网络基础 二维互相关运算 填充 步幅 多输入通道和多输出通道¶ 卷积层与全连接层的对比 池化 LeNet 模型 深度卷积神经网络（AlexNet） AlexNet 使用重复元素的网络（VGG）¶ ⽹络中的⽹络（NiN） GoogLeNet 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 我们介绍卷积层的两个超参数，即填充和步幅，它们可以对给定形状的输入和卷积核改变输出形状。 二维互相关运算 二维互相关（cros

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：899072
    • 提供者：weixin_38516706

  1. 深度学习d5：卷积神经网络基础；leNet；卷积神经网络进阶

  2. 卷积神经网络基础 卷积神经网络：包括卷积层、池化层 二维卷积层： 最常用，用于处理图像数据，将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。 其模型参数=卷积核+标量偏置。 训练模型的时候，通常我们先对卷积核随机初始化，然后不断迭代卷积核和偏差，即可通过数据学习核数组。每次迭代中，将输出与真实值进行比较，然后计算梯度进行更新。 可用来进行图像边缘检测。 互相关运算和卷积运算： 两者十分相似，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。两者都是学习出来的，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：43008
    • 提供者：weixin_38548394

  1. 空洞卷积为何有用及弊端

  2. 空洞卷积能够在不减小感受野的情况下降低空间特征的损失，可以获取long-ranged information。但是也有弊端：比如空间上的连续所能给出的信息可能因此而丢失(比如边缘之类的)，同时对于小物体的分割未必有利。同时，当空洞卷积的rate调得很大时，比如rate和feature map大小一致时，3×3卷积会退化成1×1卷积。为了解决这些问题，图森提出了称为HDC（Hybrid Dilated Convolution)的结构 作者：小伟db

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：25600
    • 提供者：weixin_38624437

  1. 《动手学深度学习——卷积神经网络、LeNet、卷积神经网络进阶》笔记

  2. 动手学深度学习：卷积神经网络，LeNet，卷积神经网络进阶 卷积神经网络基础 目录： 1、卷积神经网络的基础概念 2、卷积层和池化层 3、填充、步幅、输入通道和输出通道 4、卷积层的简洁实现 5、池化层的简洁实现 1、卷积神经网络的基础概念 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

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：135168
    • 提供者：weixin_38630571

  1. 动手学深度学习（五）：卷积神经网络

  2. 卷积神经网络基础 卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本文中介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本文中，我们将介绍简单形式的二维卷积层的工作原理。 1、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

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：101376
    • 提供者：weixin_38653085

  1. 卷积神经网络和机器翻译笔记

  2. 卷积神经网络基础笔记 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

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：556032
    • 提供者：weixin_38742421
« 1 2 ... 45 46 47 48 49 50»