卷积神经网络

三个关键词：1、kernelSize——卷积核大小2、padding——边缘扩充3、step——卷积核移动步长 卷积核会按步长遍历图像，把卷积核框住的像素进行卷积（对应像素相乘求和）得到1个中心像素值（9个像素用1个像素代表）。 如果遍历后图像尺寸不变，那么步长取1。 为了使卷积核的中心可以遍历边缘的像素，所以通过padding扩充原图。 【巧记】卷积就是把…

简介 puring神经网络是一个古老的idea,具体可以追溯到1990年（与Yann LeCun的最佳脑损伤[1]工作）。这个想法是，在网络中的许多参数中，有些是冗余的，对输出没有太大贡献。 如果您可以根据它们贡献的数量对网络中的神经元进行排名，那么您可以从网络中删除低级神经元，从而产生更小更快的网络。 获得更快/更小的网络对于在移动设备上运行这些深度学习网…

2962: 序列操作 Time Limit: 50 Sec  Memory Limit: 256 MBSubmit: 678  Solved: 246[Submit][Status][Discuss] Description 　　有一个长度为n的序列，有三个操作1.I a b c表示将[a,b]这一段区间的元素集体增加c，2.R a b表示将[a,b]区间内…

1. CNN卷积网络-初识 2. CNN卷积网络-前向传播算法 3. CNN卷积网络-反向更新 如果读者详细的了解了DNN神经网络的反向更新，那对我们今天的学习会有很大的帮助。我们的CNN卷机网络中有3种网络结构。1. 卷积层，2.池化层，3.全连接层。全连接层的反向传播的方式和DNN的反向传播的方式是一样的，因为DNN的所有层都是全连接的结构。卷机层和池化…

dropout 是神经网络用来防止过拟合的一种方法，很简单，但是很实用。 基本思想是以一定概率放弃被激活的神经元，使得模型更健壮，相当于放弃一些特征，这使得模型不过分依赖于某些特征，即使这些特征是真实的，当然也可能是假的。   大致步骤 1. 在神经元 H1 被激活后，随机生成一组数据 U1 和一个0-1的随机数 p 　　H1 = np.maximum(0,…

理论推导见笔记本4—2015 5 21 由matlab生成一个高斯核 f = fspecial(‘gaussian’,[11 11],10); 可以生成的模板的种类。 其中[11,11]表示高斯核的尺寸，10是标准差，单位是“像素”。 单位是像素这个非常重要，“像素”的意义在于这个核跨越多少个像素后，它的作用衰竭90%。 这是跨越十个像素衰减90% 这是跨越…

傅立叶变换 先看连续和离散系统的公式： \[F(w)=\int^{+\infty}_{-\infty} f(t)e^{-iwt}dt=\int^{+\infty}_{-\infty} f(t)(\cos wt-i\sin wt)dt \tag{1} \] \[F(w)=\sum^{+\infty}_{t=-\infty}f(t)(\cos wt-i\sin …

本教程将  主要面向代码，  旨在帮助您 深入学习和卷积神经网络。由于这个意图，我  不会花很多时间讨论激活功能，池层或密集/完全连接的层 – 将来会有  很多教程在PyImageSearch博客上将覆盖  每个层类型/概念  在很多细节。 再次，本教程是您  第一个端到端的例子，您可以训练一个现实的CNN（并在实际中看到它）。我们将在本系列帖子中稍后介绍激…

参考1参考2 使用传统神经网络处理机器视觉的一个主要问题是输入层维度很大。例如一张64x64x3的图片，神经网络输入层的维度为12288。 如果图片尺寸较大，例如一张1000x1000x3的图片，神经网络输入层的维度将达到3百万，使得网络权重W非常庞大。 这样会造成两个后果: 一是神经网络结构复杂，数据量相对不够，容易出现过拟合； 二是所需内存、计算量较大。…

题目：https://www.lydsy.com/JudgeOnline/problem.php?id=3992 (学习NTT：https://riteme.github.io/blog/2016-8-22/ntt.html https://www.cnblogs.com/Mychael/p/9297652.html http://blog.miskcoo.…