526互联

mnist cnn

[论文笔记] Line-CNN: End-to-End Traffic Line Detection With Line Proposal Unit

作者受Faster-RCNN启发, 提出Line-CNN, 提出了一种新颖的车道线Anchor的表示方法,解决了车道线检测中表征的难点, 实现了端到端的车道线检测 ......
Line End-to-End End Detection Line-CNN

deeplearning4j训练MNIST数据集以及验证

## 训练模型官方示例 > MNIST数据下载地址: http://github.com/myleott/mnist_png/raw/master/mnist_png.tar.gz > GitHub示例地址: https://github.com/deeplearning4j/deeplearnin ......
deeplearning4j deeplearning4 deeplearning 数据 MNIST

深度学习 - 卷积神经网络（CNN）介绍+实例说明

https://blog.csdn.net/weixin_46072771/article/details/108590347 卷积神经网络（CNN）简介CNN基础前面我们讲解了机器学习基础知识，包括多层感知器等问题。下面我们要介绍的目标识别与分类，就是在前面问题的基础上进行扩展，实现对于图像等分类 ......
卷积 神经网络 实例 深度 神经

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用） ......
时间序列 数学建模 时序 序列 科研

机器学习TensorFlow---Fashion MNIST基本图像分类

实验介绍： 利用数据集Fashion MNIST中的数据信息，进行机器学习，构建模型，训练模型。完成对该数据集中的数据分类（对运动鞋和衬衫等服装图像进行分类）。本实验主要使用 tf.keras，它是 TensorFlow 中用来构建和训练模型的高级 API。 导入 Fashion MNIST 数据： ......
TensorFlow 图像 机器 Fashion MNIST

LeViT-UNet：transformer 编码器和CNN解码器的有效整合

前言 本文介绍了一种新的医学图像分割架构levi-unet，它使用transformer 作为编码器，这使得它能够更有效地学习远程依赖关系。levi-unet比传统的U-Nets更快，同时仍然实现了最先进的分割性能。 本文转载自DeepHub IMBA 作者 | Golnaz Hosseini 仅用 ......
编码器 解码器 transformer LeViT-UNet 编码

LeViT-UNet：transformer 编码器和CNN解码器的有效整合

levi - unet[2]是一种新的医学图像分割架构，它使用transformer 作为编码器，这使得它能够更有效地学习远程依赖关系。levi - unet[2]比传统的U-Nets更快，同时仍然实现了最先进的分割性能。 levi - unet[2]在几个具有挑战性的医学图像分割基准上取得了比其他 ......
编码器 解码器 transformer LeViT-UNet 编码

时间序列预测-基于LSTM-CNN的人体活动识别

本文主要利用LSTM和CNN来处理移动传感器产生的数据识别人类活动。 # 传感器数据集 ## 数据组成 这个项目使用了 [WISDM (Wireless Sensor Data Mining) Lab](https://www.cis.fordham.edu/wisdm/ "WISDM (Wirel ......
时间序列 序列 LSTM-CNN 人体 时间

CNN练习汇总

# 1.手写数字识别 ![image](https://img2023.cnblogs.com/blog/1914163/202306/1914163-20230628194604981-1293007551.png) ![image](https://img2023.cnblogs.com/blo ......
CNN

文本识别分类系统python，基于深度学习的CNN卷积神经网络算法

## 一、介绍 文本分类系统，使用Python作为主要开发语言，通过TensorFlow搭建CNN卷积神经网络对十余种不同种类的文本数据集进行训练，最后得到一个h5格式的本地模型文件，然后采用Django开发网页界面，实现用户在界面中输入一段文字，识别其所属的文本种类。 在我们的日常生活和工作中，文 ......
卷积 神经网络 算法 深度 文本

手写数字识别系统Python+CNN卷积神经网络算法【完整代码】

## 一、介绍 手写数字识别系统，使用Python语言，基于TensorFlow搭建CNN卷积神经网络算法对数据集进行训练，最后得到模型，并基于FLask搭建网页端界面，基于Pyqt5搭建桌面端可视化界面。 ## 二、效果展示 ![img_06_20_13_35_27](http://zwgroup ......
卷积 神经网络 算法 神经 代码

三大特征提取器（RNN/CNN/Transformer）

三大特征提取器 - RNN、CNN和Transformer# 简介# 近年来，深度学习在各个NLP任务中都取得了SOTA结果。这一节，我们先了解一下现阶段在自然语言处理领域最常用的特征抽取结构。 本文部分参考张俊林老师的文章《放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CN ......
Transformer 特征 三大 RNN CNN

3.1 卷积神经网路 (Convolutional Neural Networks, CNN)

# 1. 概念引入: Image Classification 我们做图像分类时,一般分为三步: * 所有图片都先 rescale 成大小一样 * 把每一个类别表示成一个 one-hot vector(dimension 的长度决定模型可以辨识出多少不同种类的东西) * 将图片输入到模型中 ![im ......
卷积 Convolutional 网路 Networks 神经

图解3种常见的深度学习网络结构：FC、CNN、RNN

01 全连接网络结构 全连接（FC）网络结构是最基本的神经网络/深度神经网络层，全连接层的每一个节点都与上一层的所有节点相连。 全连接层在早期主要用于对提取的特征进行分类，然而由于全连接层所有的输出与输入都是相连的，一般全连接层的参数是最多的，这需要相当数量的存储和计算空间。 参数的冗余问题使单纯的 ......
学习网络 深度 常见 结构 网络

CAM, Grad-CAM, Grad-CAM++可视化CNN方式的代码实现和对比

当使用神经网络时，我们可以通过它的准确性来评估模型的性能，但是当涉及到计算机视觉问题时，不仅要有最好的准确性，还要有可解释性和对哪些特征/数据点有助于做出决策的理解。模型专注于正确的特征比模型的准确性更重要。 理解CNN的方法主要有类激活图(Class Activation Maps, CAM)、梯 ......
Grad-CAM CAM Grad 代码 方式

深度学习—Faster R-CNN系列目标检测算法

〇、目标检测 1、定义：既包括回归问题（外接框顶点坐标回归也包括分类问题（识别每个检测框中的物体种类） 在深度学习中，目标检测就是在图像中自动生成确定物体/目标位置（定位目标）， 及物体类别（目标识别）目标的位置的表示方法， 通常是目标的外边界的矩形框（或其他形式的框）的各项顶点。 2、基于深度学习 ......
算法 深度 目标 Faster R-CNN

[cnn][julia]Flux实现卷积神经网络cnn预测手写MNIST

# julia_Flux ### 1.导入Flux.jl和其他所需工具包 ```julia using Flux, MLDatasets, Statistics using Flux: onehotbatch, onecold, logitcrossentropy, params using MLD ......
卷积 神经网络 cnn 神经 MNIST

人工智能创新挑战赛：助力精准气象和海洋预测Baseline[2]：数据探索性分析（温度风场可视化）、CNN+LSTM模型建模

人工智能创新挑战赛：助力精准气象和海洋预测Baseline[2]：数据探索性分析（温度风场可视化）、CNN+LSTM模型建模 ......
探索性 挑战赛 人工智能 气象 人工

【什么是CNN】入门学习随笔

什么是CNN？ https://www.bilibili.com/video/BV1zF411V7xu/?p=6&share_source=copy_web&vd_source=3a1ed9fe9b3eb506d95e8709e124a7ce CNN最基本的架构：卷积层、池化层、全连接层 带参数计算 ......
随笔 CNN

目标检测：RPN — Faster R-CNN 的主干

动动发财的小手，点个赞吧！ 在使用 R-CNN 的目标检测中，RPN 是真正的主干，并且到目前为止已被证明非常有效。它的目的是提出在特定图像中可识别的多个对象。 这种方法是由 Shaoqing Ren、Kaiming He、Ross Girshick 和 Jian Sun 在一篇非常受欢迎的论文“F ......
主干 目标 Faster R-CNN RPN

DHVT：小数据集也能轻松训练！缩小VIT与CNN鸿沟，解决从零开始的训练难题

前言 VIT在归纳偏置方面存在空间相关性和信道表示的多样性两大缺陷。所以论文提出了动态混合视觉变压器(DHVT)来增强这两种感应偏差。在空间方面，采用混合结构，将卷积集成到补丁嵌入和多层感知器模块中，迫使模型捕获令牌特征及其相邻特征。在信道方面，引入了MLP中的动态特征聚合模块和多头注意力模块中全新 ......
鸿沟 难题 数据 DHVT CNN

在树莓派上实现numpy的LSTM长短期记忆神经网络做图像分类，加载pytorch的模型参数，推理mnist手写数字识别

这几天又在玩树莓派，先是搞了个物联网，又在尝试在树莓派上搞一些简单的神经网络，这次搞得是LSTM识别mnist手写数字识别 训练代码在电脑上，cpu就能训练，很快的： import torch import torch.nn as nn import torchvision import numpy ......
树莓 神经网络 长短 模型 图像

基于ResNet18深度学习网络的mnist手写数字数据库识别matlab仿真

1.算法仿真效果 matlab2022a仿真结果如下： 2.算法涉及理论知识概要 ResNet系列网络，图像分类领域的知名算法，经久不衰，历久弥新，直到今天依旧具有广泛的研究意义和应用场景。被业界各种改进，经常用于图像识别任务。ResNet-18，数字代表的是网络的深度，也就是说ResNet18 网 ......
学习网络 深度 数据库 数字 数据

在树莓派上实现numpy的conv2d卷积神经网络做图像分类，加载pytorch的模型参数，推理mnist手写数字识别，并使用多进程加速

这几天又在玩树莓派，先是搞了个物联网，又在尝试在树莓派上搞一些简单的神经网络，这次搞得是卷积识别mnist手写数字识别 训练代码在电脑上，cpu就能训练，很快的： import torch import torch.nn as nn import torch.optim as optim from ......
卷积 树莓 神经网络 模型 进程

基于 Mindspore 框架与 ModelArts 平台的 MNIST 手写体识别实验

# 简介 实验包含 **2**部分： 1. 基于 Mindspore 框架的模型本地训练及预测 2. 基于 Modelarts 平台和 PyTorch框架的模型训练及部署 # 基于 Mindspore 框架的模型本地训练及预测 本例子会实现一个简单的图片分类的功能，整体流程如下： 1. 处理需要的数 ......
手写体 Mindspore ModelArts 框架 MNIST

使用 CNN 提取内容和风格进行风格迁移（PyTorch 实现）

## 使用 CNN 提取内容和风格进行迁移 [TOC] 本文演示了使用 CNN 进行风格迁移（style transfer）的深度学习 PyTorch 实现。 完整实现代码位于 https://github.com/VioleshnvQuetsall/neural-transfer 的 cnn-tr ......
风格 PyTorch 内容 CNN

[cnn]FashionMINST训练+保存模型+调用模型判断给定图片

```python import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim import torch.utils.data as Data from torchvis ......
模型 FashionMINST 图片 cnn

卷积神经网络（CNN）进行特征提取

卷积神经网络（CNN）是一种深度学习模型，广泛应用于图像分类、目标检测、语音识别等领域。CNN通过卷积层、池化层、全连接层等组成，可以自动地从原始数据中提取特征。 卷积层是CNN的核心组成部分，它通过滑动卷积核对输入数据进行卷积操作，提取出图像的特征。卷积核的大小、步长、填充等参数可以根据任务需求进 ......
卷积 神经网络 特征 神经 网络

[cnn]cnn训练MINST数据集demo

# [cnn]cnn训练MINST数据集demo tips: 在文件路径进入conda 输入 ```jupyter nbconvert --to markdown test.ipynb``` 将ipynb文件转化成markdown文件 ```jupyter nbconvert --to html t ......
cnn 数据 MINST demo

cnn全连接层

## 作用 根据特征的组合进行分类 大大减少特征位置对分类带来的影响 ### 减少特征位置对分类带来的影响 **就是它把特征representation整合到一起，输出为一个值** **这样做,有一个什么好处？** **就是大大减少特征位置对分类带来的影响** ![image](https://im ......
全连 cnn
共124篇  :3/5页 首页上一页3下一页尾页