卷积神经网络
-
Tensorflow学习教程——利用卷积神经网络对mnist数据集进行分类_训练模型
原理就不多讲了，直接上代码，有详细注释。 #coding:utf-8 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets(‘MNIST_data’,one_hot=True) #…
-
Tensorflow学习教程——利用卷积神经网络对mnist数据集进行分类_利用训练好的模型进行分类
#coding:utf-8 import tensorflow as tf from PIL import Image,ImageFilter from tensorflow.examples.tutorials.mnist import input_data def imageprepare(argv): # 该函数读一张图片，处理后返回一个数组，进到网络…
-
卷积及其应用
卷积的定义 向量的计算 给定向量：$a=(a_0,a_1,.,a_{n-1}), b = (b_0,b_1,…,b_{n-1})$ 向量和：$a+b = (a_0+b_0, a_1+b_1, … ,a_{n-1}+b_{n-})$ 内积：$acdot b = a_0b_0 + a_1b_1 +…+a_{n-1}b_{n-1}$ 卷积：$a*b =…
-
InceptionNet提出了1×1卷积核
1.Inceptionnet的借鉴点 Inception结构快在同一层网络中使用多个尺寸的卷积核，可以提取不同尺寸的特征，提升感知力（通过 padding 实现输出特征面积一致）；使用 1 * 1 卷积核，作用到输入特征图的每个像素点，通过设定少于输入特征图深度的1*1卷积核的个数，减少了输出特征图的深度，起到了降维的作用，减少了参数量和计算量，即改变输出特…
-
感受野（Receptive Field）理解为什么采用多层小卷积核来替换一层大卷积核
1.什么是感受野？ 卷积神经网络各输出层每个像素点在原始图像上的映射区域大小 下图是感受野示意图 如果对这个5×5的原始输入图片，用黄色的3×3卷积核作用，会输出一个3×3的输出特征图，这个输出特征图上的每个像素点映射到原始的图片是3×3的区域，所以它（输出特征图）的感受野是3，如果再对这个3×3的特征图，用这个绿色的3×3卷积核作用，会输出一个1×1的输…
-
卷积神经网络搭建（用cifar10数据集）
1.cifar10数据集介绍 2.cifar10数据集读取 3.卷积神经网络搭建 3.1使用class声明网络结构 使用 Sequential 可以快速搭建网络结构，但是如果网络包含跳连等其他复杂网络结构，Sequential 就无法表示了。这就需要使用 class 来声明网络结构。 3.2卷积神经网络搭建 代码 import tensorflow …
-
1×1卷积核理解
1*1的卷积核在NIN、Googlenet中被广泛使用，但其到底有什么作用也是一直困扰的问题，这里总结和归纳下在网上查到的自认为很合理的一些答案，包括1）跨通道的特征整合2）特征通道的升维和降维 3）减少卷积核参数（简化模型） 在我学习吴恩达老师Deeplearning.ai深度学习课程的时候，老师在第四讲卷积神经网络第二周深度卷积网络：实例探究的…
-
tf.nn.conv2d实现卷积的过程
#coding=utf-8 import tensorflow as tf #case 2 input = tf.Variable(tf.round(10 * tf.random_normal([1,3,3,2]))) filter = tf.Variable(tf.round(5 * tf.random_normal([1,1,2,1]))) op2 …
-
从神经网络到卷积神经网络（CNN）
我们知道神经网络的结构是这样的： 那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。 卷积神经网络的层级结构 • 数据输入层/ Input layer • 卷积计算层/ CONV layer • ReLU激励层 / ReLU…
-
莫比乌斯反演及狄利克雷卷积
参考文档: https://wenku.baidu.com/view/fbec9c63ba1aa8114431d9ac.html 假设$F(n)=\sum_{d|n}f(d)$,那么$f(n)=\sum_{d|n}μ(d)F(\frac{n}{d})$ 假设$F(n)=\sum_{n|d}f(d)$,那么$f(n)=\sum_{n|d}μ(\frac{d}{…
