- 文章目录 前言最小化代价函数正则化在神经网络中的 L ... 文章目录 前言最小化代价函数正则化在神经网络中的 L ...
- 激活函数 为什么使用激活函数？ 线性激活函数一般用于输出。如果使用线性方程，而不使用激活函数，那么神经网络不管多少层，它的输出就仅仅是输入函数的线性变化 ReLu 又称为整流线性单元函数，表达... 激活函数 为什么使用激活函数？ 线性激活函数一般用于输出。如果使用线性方程，而不使用激活函数，那么神经网络不管多少层，它的输出就仅仅是输入函数的线性变化 ReLu 又称为整流线性单元函数，表达...
- 文章目录 1.前言2.算法设计2.1任务流程2.2 LeNet简述2.3 算法设计2.3.1 引入相关的包2.3.2 读取数据集2.3.3 归一化数据集2.3.4 取出一个数据瞅瞅2.3.5 定义... 文章目录 1.前言2.算法设计2.1任务流程2.2 LeNet简述2.3 算法设计2.3.1 引入相关的包2.3.2 读取数据集2.3.3 归一化数据集2.3.4 取出一个数据瞅瞅2.3.5 定义...
- 第一周测验 Introduction to Deep Learning 1.What does the analogy “AI is the new electricity” refer to? AI... 第一周测验 Introduction to Deep Learning 1.What does the analogy “AI is the new electricity” refer to? AI...
- 百度飞桨学习——七日打卡作业(四)五人识别 任务简介 图像分类是计算机视觉的重要领域，它的目标是将图像分类到预定义的标签。近期，许多研究者提出很多不同种类的神经网络，并且极大的提升了分类算法的性能。本... 百度飞桨学习——七日打卡作业(四)五人识别 任务简介 图像分类是计算机视觉的重要领域，它的目标是将图像分类到预定义的标签。近期，许多研究者提出很多不同种类的神经网络，并且极大的提升了分类算法的性能。本...
- 文章目录 前言什么是高偏差，高方差利用数据集误差判断拟合情况处理方式看模型在训练集上的表现看模型在开发集上的表现 后记 前言 这篇文章的内容主要是偏差与方差的相关解释 什么是高... 文章目录 前言什么是高偏差，高方差利用数据集误差判断拟合情况处理方式看模型在训练集上的表现看模型在开发集上的表现 后记 前言 这篇文章的内容主要是偏差与方差的相关解释 什么是高...
- 1.利用双线性变换法，设计Butterworth低通数字滤波器，假设信号，，其中f1=5Hz，f2=30Hz。要求通带波纹小于1dB，幅度衰减大于15dB，采样周期 T=0.01s。 用间接设计方法设计数字低通 DF 的步骤： (1)产生时域信号xt 要求给出xt的时域波形图。 (2)信号xt的频谱分析 确定采样频率和采样点数... 1.利用双线性变换法，设计Butterworth低通数字滤波器，假设信号，，其中f1=5Hz，f2=30Hz。要求通带波纹小于1dB，幅度衰减大于15dB，采样周期 T=0.01s。 用间接设计方法设计数字低通 DF 的步骤： (1)产生时域信号xt 要求给出xt的时域波形图。 (2)信号xt的频谱分析 确定采样频率和采样点数...
- 神经风格迁移由 Leon Gatys 等人于 2015 年夏天提出。自首次提出以来，神经风格迁移算法已经做了许多改进，并衍生出许多变体，而且还成功转化成许多智能手机图片应用。 神经风格迁移是指将参考图像的风格应用于目标图像，同时保留目标图像的内容。 在当前语境下，风格（style）是指图像中不同空间尺度的纹理、颜色和视觉图案，内... 神经风格迁移由 Leon Gatys 等人于 2015 年夏天提出。自首次提出以来，神经风格迁移算法已经做了许多改进，并衍生出许多变体，而且还成功转化成许多智能手机图片应用。 神经风格迁移是指将参考图像的风格应用于目标图像，同时保留目标图像的内容。 在当前语境下，风格（style）是指图像中不同空间尺度的纹理、颜色和视觉图案，内...
- 要解决的问题 1、RCNN和SPPnet分多步训练，先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。 2、时间和内存消耗比较大。... 要解决的问题 1、RCNN和SPPnet分多步训练，先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。 2、时间和内存消耗比较大。...
- 更传统的机器学习算法可以在ee.Classifier下找到，需要点数据作为输入。 对于卷积神经网络，我们需要图像。图像块应包含图像和标签。 陆地卫星图像和云、阴影和水的标签。 在这里以 SPARCS 数据集为例。数据可以在下面的网站上找到。 ... 更传统的机器学习算法可以在ee.Classifier下找到，需要点数据作为输入。 对于卷积神经网络，我们需要图像。图像块应包含图像和标签。 陆地卫星图像和云、阴影和水的标签。 在这里以 SPARCS 数据集为例。数据可以在下面的网站上找到。 ...
- 导语：Google 正在积极研究如何改进全球天气预报模型。 准确预测未来几分钟到几周的天气是一项基本的科学挑战。很多气象机构目前采用的预报是基于大气的物理模型，但这些模型本身受到计算要求的限制且对物理定律的近似值非常敏感。另一种天气预报方法是使用深神经网络（DNNs）。DNNs 在强大的专用硬件（如 GPU 和 TPU）... 导语：Google 正在积极研究如何改进全球天气预报模型。 准确预测未来几分钟到几周的天气是一项基本的科学挑战。很多气象机构目前采用的预报是基于大气的物理模型，但这些模型本身受到计算要求的限制且对物理定律的近似值非常敏感。另一种天气预报方法是使用深神经网络（DNNs）。DNNs 在强大的专用硬件（如 GPU 和 TPU）...
- 卷积神经网络简介 我们将深入讲解卷积神经网络的原理，以及它在计算机视觉任务上为什么如此成功。但在此之前，我们先来看一个简单的卷积神经网络示例，即使用卷积神经网络对 MNIST 数字进行分类，这个任务我们在第 2 章用密集连接网络做过（当时的测试精度为 97.8%）。虽然本例中的卷积神经网络很简单，但其精度肯定会超过第 2 章的密集连接... 卷积神经网络简介 我们将深入讲解卷积神经网络的原理，以及它在计算机视觉任务上为什么如此成功。但在此之前，我们先来看一个简单的卷积神经网络示例，即使用卷积神经网络对 MNIST 数字进行分类，这个任务我们在第 2 章用密集连接网络做过（当时的测试精度为 97.8%）。虽然本例中的卷积神经网络很简单，但其精度肯定会超过第 2 章的密集连接...
- TensorFlow卷积层 TensorFlow 提供了 tf.nn.conv2d() 和 tf.nn.bias_add() 函数来创建你自己的卷积层。 # Output depthk_output = 64 # Image Propertiesimage_width = 10image_he... TensorFlow卷积层 TensorFlow 提供了 tf.nn.conv2d() 和 tf.nn.bias_add() 函数来创建你自己的卷积层。 # Output depthk_output = 64 # Image Propertiesimage_width = 10image_he...
- # Title文章标题 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION # Summary 网络架构如下图： 卷积神经网络的输入是一个固定大小的224×224 RGB图像。做的唯一预处理是从每个像素中减去在训练集上计算的RGB平均值。图像通... # Title文章标题 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION # Summary 网络架构如下图： 卷积神经网络的输入是一个固定大小的224×224 RGB图像。做的唯一预处理是从每个像素中减去在训练集上计算的RGB平均值。图像通...
- 一、One—Hot编码 计算机在表示多结果的分类时，使用One-Hot编码是比较常见的处理方式。即每个对象都有对应的列。 二、最大似然率 下面是两幅图像，比较两幅图像，试通过概率的方法来讨论一下为什么右边的模型会更好。 假设第一幅图像的每个点是对应颜色的概率为下图： 如果假设点的颜色是相互独立的，则整个图表的概率为... 一、One—Hot编码 计算机在表示多结果的分类时，使用One-Hot编码是比较常见的处理方式。即每个对象都有对应的列。 二、最大似然率 下面是两幅图像，比较两幅图像，试通过概率的方法来讨论一下为什么右边的模型会更好。 假设第一幅图像的每个点是对应颜色的概率为下图： 如果假设点的颜色是相互独立的，则整个图表的概率为...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签