【AI入门超详细系列】卷积神经网络（CNN）入门指南【Pytorch版】
大家好，我是默子！欢迎来到“默子AI”的世界。今天，我们将深入探索 PyTorch 的强大功能，学习如何使用卷积神经网络（CNN）识别图像数据。无论你是深度学习的新手，还是希望强化实践经验的开发者，这篇教程都将为你提供详尽的指导和深入的解说。准备好了吗？让我们一起开启这段充满干货与乐趣的学习之旅吧！
遗传算法与深度学习实战（26）——编码卷积神经网络架构
进化卷积神经网络 (Evolutionary Convolutional Neural Network, EvoCNN) 通过结合进化算法的优势，提供了一种自动化设计和优化深度学习模型的方法。在本节中，我们介绍了如何将卷积神经网络架构编码为基因序列，为构建进化卷积神经网络奠定基础。
基于深度学习CNN算法的植物/中草药分类识别系统01--带数据集-pyqt5UI界面-全套源码
基于深度学习算法的植物/中草药识别系统-全套代码数据集-保姆级教程
【人工智能】AI人工智能的重要组成部分，深入解析CNN与RNN两种神经网络的异同与应用场景和区别
通过对CNN与RNN的深入分析，我们可以看到这两种神经网络在结构、功能和应用场景上的显著区别。
多尺度卷积神经网络（MSCNN）的底层原理及使用环境是如何的？Ai人工智能目前已经发展到第二阶段
多尺度卷积神经网络（MSCNN）是一种用于处理不同尺度特征的深度学习模型。
经典CNN模型（七）：MobileNetV1（PyTorch详细注释版）
在传统卷积神经网络因内存和运算量庞大而难以适配移动及嵌入式设备的背景下，2017 年，Google 团队应运推出了 MobileNetV1，这是一种专为资源受限环境设计的轻量级深度学习模型。相较于传统网络如 VGG16，MobileNetV1 在仅牺牲 0.9%的准确率的前提下，实现了模型参数精简至
华为全联接大会HUAWEI Connect 2024印象（二）：昇腾AI端侧推理
此次和昇腾合作的应该是Orange Pi AIPro，不过一楼的小伙似乎对产品和行业都不太熟悉，和他沟通感觉没有啥收获，我当时一度觉得此次会议白来了。后来华为的技术人员和我介绍这个机器人的比较复杂的视觉测量是在云端完成的，控制工作是在端侧完成的。华为的技术人员很专业，和我介绍了很多关于昇腾AI的内容
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
动物识别系统。本项目以Python作为主要编程语言，并基于TensorFlow搭建ResNet50卷积神经网络算法模型，通过收集4种常见的动物图像数据集（猫、狗、鸡、马）然后进行模型训练，得到一个识别精度较高的模型文件，然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面，实
Datawhale X 李宏毅苹果书 AI夏令营_深度学习进阶_Datawhile_task3_批量归一化和卷积神经网络
批量归一化和卷积神经网络是深度学习中的重要技术。批量归一化通过减少内部协变量偏移，提高了网络的训练效率和性能；而卷积神经网络则通过卷积和池化操作，有效地处理具有网格结构的数据。两者的结合使得深度学习模型在多个领域取得了突破性的进展。
AI人工智能 卷积神经网络（CNN）
在架构上，普通的神经网络接收输入并通过一系列隐藏层转换它。在神经元的帮助下，每层都连接到另一层。普通神经网络的主要缺点是它们不能很好地扩展到完整的图像。CNN 的体系结构具有三维排列的神经元，称为宽度，高度和深度。当前图层中的每个神经元都连接到前一图层的一小部分输出。它类似于在输入图像上叠加一个。
PyTorch--卷积神经网络（CNN）模型实现手写数字识别
今天要介绍的这段代码是一个使用PyTorch框架实现的卷积神经网络（CNN）模型，用于对MNIST数据集进行分类的示例。MNIST数据集是手写数字识别领域的一个标准数据集，包含0到9的灰度图像。导入必要的库：导入PyTorch、PyTorch神经网络模块、torchvision（用于处理图像数据集）
【机器学习】CNN在计算机视觉中的应用
本文介绍了CNN在计算机视觉中的几个主要应用,包括图像分类、目标检测、语义分割、实例分割和视频分析等。CNN凭借其强大的特征提取能力和端到端的训练方式,在这些任务中取得了卓越的成绩,推动了计算机视觉领域的快速发展。未来,随着模型架构和训练算法的不断优化,CNN在计算机视觉领域的应用将会更加广泛和深入
图像相关的基础知识【RGB和RGBA】—附python代码实现
图像处理基础知识，了解RGB和RGBA
【深度学习】“复杂场景下基于深度学习的卷积神经网络在鸟类多类别识别中的模型设计与性能优化研究“(上)
本研究旨在探索基于深度学习的卷积神经网络在鸟类多类别识别中的应用潜力，通过深入分析模型设计和性能优化的方法，以应对复杂环境带来的挑战。通过系统的实验验证和性能评估，本研究试图为解决实际应用中的识别难题提供创新的解决方案和理论支持。
18_特征金字塔网络FPN结构详解
https://www.bilibili.com/video/BV1dh411U7D9/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
【深度学习】“复杂场景下基于深度学习的卷积神经网络在鸟类多类别识别中的模型设计与性能优化研究“(下)
本研究旨在探索基于深度学习的卷积神经网络在鸟类多类别识别中的应用潜力，通过深入分析模型设计和性能优化的方法，以应对复杂环境带来的挑战。通过系统的实验验证和性能评估，本研究试图为解决实际应用中的识别难题提供创新的解决方案和理论支持。
【初学人工智能原理】【11】卷积神经网络：图像识别实战
本文教程均来自b站【小白也能听懂的人工智能原理】，感兴趣的可自行到b站观看。
CNN卷积网络实现MNIST数据集手写数字识别
首先，通过MNIST类创建了train_data对象，指定了数据集的路径，并且将数据集标记为训练集train=True。表示不自动从网络上下载数据集，而是使用已经下载好的数据集。我是之前自己已经下载过该数据集所以这里填的是False,如果之前没有下载的话就要填True。下面测试集也是一样。将数据转换
算法金 | 秒懂 AI - 深度学习五大模型：RNN、CNN、Transformer、BERT、GPT 简介
每个节点不仅接收当前输入，还接收前一个节点的输出，从而形成记忆能力。Transformer 摒弃了传统 RNN 的循环结构，通过自注意力机制和并行处理，实现了更快的训练速度和更好的效果。BERT 的创新在于其双向性和预训练方法，使得模型在各种 NLP 任务中都表现优异，尤其是在需要上下文理解的任务中
Keras深度学习框架实战（6）：使用CNN-RNN架构实现视频分类
视频分类任务是将视频按内容分类的重要计算机视觉任务，常用于推荐系统和安全监控等领域。常使用CNN-RNN混合模型处理视频的空间和时间特征。在UCF101数据集上训练模型，通过预训练CNN提取帧特征，RNN处理时序信息，最终通过全连接层进行分类。实验结果通过准确率评估，模型可用于视频推荐和异常检测。为
