發(fā)簡信
IP屬地：廣東
-
GoogLeNet(含并行連接的網(wǎng)絡(luò))
GoogLeNet吸收了NiN中網(wǎng)絡(luò)串聯(lián)網(wǎng)絡(luò)的思想寂诱，并在此基礎(chǔ)上做了很大改進(jìn)呵晨。在隨后的幾年里，研究人員對GoogLeNet進(jìn)行了數(shù)次改進(jìn)酬凳。 In...
-
NIN(網(wǎng)絡(luò)中的網(wǎng)絡(luò))
LeNet、AlexNet和VGG在設(shè)計(jì)上的共同之處是：先以由卷積層構(gòu)成的模塊充分抽取空間特征正林，再以由全連接層構(gòu)成的模塊來輸出分類結(jié)果首装。其中，A...
-
VGG
AlexNet在LeNet的基礎(chǔ)上增加了3個(gè)卷積層兰吟。但AlexNet作者對它們的卷積窗口通惫、輸出通道數(shù)和構(gòu)造順序均做了大量的調(diào)整。雖然AlexNe...
-
AlexNet一混蔼、多層神經(jīng)網(wǎng)絡(luò)中關(guān)于級數(shù)的解釋 在多層神經(jīng)網(wǎng)絡(luò)中履腋，圖像的第一級的表示可以是在特定的位置和?度是否出現(xiàn)邊緣； 而第二級的表示說不定能夠?qū)⑦@些邊緣...
-
LeNet
卷積層嘗試解決這兩個(gè)問題。 一方面遵湖，卷積層保留輸入形狀悔政，使圖像的像素在高和寬兩個(gè)方向上的相關(guān)性均可能被有效識別； 另一方面延旧，卷積層通過滑動(dòng)窗口將...
-
池化層
為了緩解卷積層對位置的過度敏感性 最大池化和平均池化分別取池化窗口中輸入元素的最大值和平均值作為輸出谋国。 池化層的一個(gè)主要作用是緩解卷積層對位置的...
-
1X1卷積核
1X1卷積核的作用： （1）對于channel維度的升維或者降維 例如128*128*64的圖像，經(jīng)過1*1*32的卷積核之后迁沫，變成了128*1...
-
反向傳播1芦瘾、數(shù)值帶入的方式介紹有一層隱藏層的三層全連接神經(jīng)網(wǎng)絡(luò)的推導(dǎo) https://blog.csdn.net/weixin_38347387/art...
-
softmax_simple.ipynb
{ "cells": [ { "cell_type": "code", "execution_count": 8, "metada...