- CNN之性能指标：卷积神经网络中常用的性能指标(IOU/AP/mAP、混淆矩阵)简介、使用方法之详细攻略 目录 CNN中常用的性能指标(IOU/AP/mAP、混淆矩阵)简介 IOU 1、IOU简介 2、混淆矩阵—Precision、Recall CNN之性能指标：卷积神经网络中常用的性能指标(IOU/AP/mAP、混淆矩阵)简介、使用方法之详细攻略 目录 CNN中常用的性能指标(IOU/AP/mAP、混淆矩阵)简介 IOU 1、IOU简介 2、混淆矩阵—Precision、Recall
- DL之CNN：卷积神经网络算法应用之卷积神经网络实践技巧(DA/DP/WI/BN/Hyperparameter/Overfitting/Regularization)、优化技术经验之详细攻略 目录 卷积神经网络实践技巧 数据增强(Data Augmentation) 数据预处理(Data Preprocessing) DL之CNN：卷积神经网络算法应用之卷积神经网络实践技巧(DA/DP/WI/BN/Hyperparameter/Overfitting/Regularization)、优化技术经验之详细攻略 目录 卷积神经网络实践技巧 数据增强(Data Augmentation) 数据预处理(Data Preprocessing)
- DL之LeNet-5：LeNet-5算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略 目录 LeNet-5算法的简介(论文介绍) LeNet-5算法的架构详解 1、LeNet-5 结构分析 2、各层详细说明 3、以手写数字3为例详细理解LeNet-5算法过程 4、LeNet-5为例可视化 5、LeNet-5算法的设计思路 Le... DL之LeNet-5：LeNet-5算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略 目录 LeNet-5算法的简介(论文介绍) LeNet-5算法的架构详解 1、LeNet-5 结构分析 2、各层详细说明 3、以手写数字3为例详细理解LeNet-5算法过程 4、LeNet-5为例可视化 5、LeNet-5算法的设计思路 Le...
- DL之CNN：关于CNN(卷积神经网络)经典论文原文(1950~2018)简介总结框架结构图(非常有价值)之持续更新(吐血整理) 导读 关于CNN，迄今为止已经提出了各种网络结构。其中特别重要的两个网络，一个是在1998 年首次被提出的CNN元祖LeNet，另一个是在深度学习受到关注的2012 年被提出的AlexNet。这两个神经网络架构，在整个计算机视觉... DL之CNN：关于CNN(卷积神经网络)经典论文原文(1950~2018)简介总结框架结构图(非常有价值)之持续更新(吐血整理) 导读 关于CNN，迄今为止已经提出了各种网络结构。其中特别重要的两个网络，一个是在1998 年首次被提出的CNN元祖LeNet，另一个是在深度学习受到关注的2012 年被提出的AlexNet。这两个神经网络架构，在整个计算机视觉...
- DL之CNN优化技术：卷积神经网络算法简介之特有的优化技术及其代码实现——im2col技术等技术 目录 im2col技术 im2col简介 im2col代码实现 im2col技术 im2col简介 1、im2col 的示意图 2、将滤波器的应用区域从头开始依次横向展开为1列 3、卷积运算的滤波器处理的细节：将滤波器纵向... DL之CNN优化技术：卷积神经网络算法简介之特有的优化技术及其代码实现——im2col技术等技术 目录 im2col技术 im2col简介 im2col代码实现 im2col技术 im2col简介 1、im2col 的示意图 2、将滤波器的应用区域从头开始依次横向展开为1列 3、卷积运算的滤波器处理的细节：将滤波器纵向...
- DL之CNN：卷积神经网络算法简介之原理简介——CNN网络的3D可视化(LeNet-5为例可视化) CNN网络的3D可视化 3D可视化地址：http://scs.ryerson.ca/~aharley/vis/conv/ 1、LeNet-5为例可视化 &... DL之CNN：卷积神经网络算法简介之原理简介——CNN网络的3D可视化(LeNet-5为例可视化) CNN网络的3D可视化 3D可视化地址：http://scs.ryerson.ca/~aharley/vis/conv/ 1、LeNet-5为例可视化 &...
- DL之CNN优化技术：学习卷积神经网络CNN的优化、调参实践、从代码深刻认知CNN架构之练习技巧 目录 卷积神经网络CNN调参学习实践 练习技巧 1、练习攻略一 2、VGG16练习攻略二 卷积神经网络CNN调参学习实践 DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functio... DL之CNN优化技术：学习卷积神经网络CNN的优化、调参实践、从代码深刻认知CNN架构之练习技巧 目录 卷积神经网络CNN调参学习实践 练习技巧 1、练习攻略一 2、VGG16练习攻略二 卷积神经网络CNN调参学习实践 DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functio...
- 来源：Medium 编译：weakish 编者按：Dave Smith使用Excel电子表格深入浅出地讲解了卷积神经网络（CNN）是如何识别人脸的。 当你入门的时候，可能觉得机器学习很复杂……甚至很可怕。另一方面，电子表格却很简单。电子表格并不酷炫，但却能避免分散你的注意力，同时帮助你以直观的方式可视化代码后面发生的事... 来源：Medium 编译：weakish 编者按：Dave Smith使用Excel电子表格深入浅出地讲解了卷积神经网络（CNN）是如何识别人脸的。 当你入门的时候，可能觉得机器学习很复杂……甚至很可怕。另一方面，电子表格却很简单。电子表格并不酷炫，但却能避免分散你的注意力，同时帮助你以直观的方式可视化代码后面发生的事...
- 今天给大家带来的是卷积神经网络，听上去是不是挺高大上的？它还有个更响亮的名字CNN，谈到CNN应该好多同学都略知一二吧，CNN在做图像识别上有着很出色的效果，那我们今天对卷积神经网络一探究竟吧！ 卷积神经网络，CNN（Convolutional Neural Network），属于深度学习技术的一种算法，主要是进行特征学习，通过分层网络获取分层次的特征信息去解决人... 今天给大家带来的是卷积神经网络，听上去是不是挺高大上的？它还有个更响亮的名字CNN，谈到CNN应该好多同学都略知一二吧，CNN在做图像识别上有着很出色的效果，那我们今天对卷积神经网络一探究竟吧！ 卷积神经网络，CNN（Convolutional Neural Network），属于深度学习技术的一种算法，主要是进行特征学习，通过分层网络获取分层次的特征信息去解决人...
- 本文提出了一种通用的实现方法卷积神经网络（CNN）构建框架设计实时CNN。创建实时面部检测视觉系统，实现性别分类和情绪分类。 其中：IMDB性别分类测试准确率：96％；fer2013情绪分类测试准确率：66％。 具体效果如下图： 这里提供下数据集下载： 1、情绪分类模型数据集：https://www.kaggle.com/c/challenges-in-repr... 本文提出了一种通用的实现方法卷积神经网络（CNN）构建框架设计实时CNN。创建实时面部检测视觉系统，实现性别分类和情绪分类。 其中：IMDB性别分类测试准确率：96％；fer2013情绪分类测试准确率：66％。 具体效果如下图： 这里提供下数据集下载： 1、情绪分类模型数据集：https://www.kaggle.com/c/challenges-in-repr...
- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第3章，第3.3节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第3章，第3.3节，作者是李玉鑑、张婷、单传辉、刘兆英等。
- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第3章，第3.1节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第3章，第3.1节，作者是李玉鑑、张婷、单传辉、刘兆英等。
- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第2章，第2.12节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第2章，第2.12节，作者是李玉鑑、张婷、单传辉、刘兆英等。
- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第2章，第2.10节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第2章，第2.10节，作者是李玉鑑、张婷、单传辉、刘兆英等。
- 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第2章，第2.9节，作者是李玉鑑、张婷、单传辉、刘兆英等。 本书摘自《深度学习：卷积神经网络从入门到精通》——书中第2章，第2.9节，作者是李玉鑑、张婷、单传辉、刘兆英等。
上滑加载中
推荐直播
-
DeepSeek行业运用方案2025/02/25 周二 16:30-17:30
阿肯-华为云生态技术讲师
本期课程将带您揭秘DeepSeek在多行业的创新方案，手把手演示如何通过ModelArts在华为云上构建方案。
即将直播 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签