AI：07-基于卷积神经网络的海洋生物的识别
基于深度学习的海洋生物识别是一个复杂的任务，上述代码示例只是一个简单的示意，并不能涵盖所有的细节和技术深度。在实际应用中，可能还需要进行模型调优、模型融合、迁移学习等操作来提高识别的准确性和鲁棒性。
基于CNN卷积神经网络 猫狗图像识别
基于CNN卷积神经网络 猫狗图像识别
一文总结经典卷积神经网络CNN模型
总结从1998年至今的优秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。了解巨佬们的智慧结晶，学习算法上的思路和技巧，便于我们自己构建模型，也便于我们做迁移学习。
AI：89-基于卷积神经网络的遥感图像地物分类
AI：89-基于卷积神经网络的遥感图像地物分类基于卷积神经网络的遥感图像地物分类是一个令人兴奋的领域，它在环境监测、城市规划、农业、国防等领域具有广泛的应用。深度学习技术为我们提供了更准确、高效的工具，有望在未来进一步提高分类性能。在本文中，我们探讨了卷积神经网络的工作原理、数据准备、模型构建、训练
机器学习卷积神经网络YOLOv5工地安全检测佩戴安全帽检测和识别含佩戴安全帽
安全帽是作业场所作业时头部防护所用的头部防护用品，它对使用者的头部在受坠落物或小型飞溅物体等其他因素引起的伤害起到防护作用。近年来，因不佩戴安全帽、不规范佩戴安全帽等原因导致的安全生产事故屡禁不止，事故发生背后的影响是巨大的，不仅为家人带来巨大的伤痛，也为企业的利益带来巨大的损失。而如何使员工规范佩
AIGC实战——卷积神经网络(Convolutional Neural Network, CNN)
在全连接网络中，首先需要将图像展平为一个一维向量，以便将其传递给第一个全连接层。为了考虑图像的空间结构，需要使用卷积神经网络 (Convolutional Neural Network, CNN) 。本节中，将介绍卷积神经网络的优势及其基本组件，并使用 Keras 构建卷积神经网络。
上采样,下采样,卷积,反卷积,池化,反池化,双线性插值【基本概念分析】
然而，确实有一些缩放方法能够增加图像的信息，从而使得缩放后的图像质量超过原图质量的。在右边的等式中的字母f(Q11)、f(Q12)、f(Q21)、f(Q22)、x1、x2、x都是已知的，求出的f(x,y1)与f(x,y2）即为R1、R2的像素值。那么就从左上角到右下角，生成卷积之后的矩阵的大小是(5
人工智能-卷积神经网络之多输入多输出通道
在最流行的神经网络架构中，随着神经网络层数的加深，我们常会增加输出通道的维数，通过减少空间分辨率以获得更大的通道深度。我们演示了一个具有两个输入通道的二维互相关运算的示例。阴影部分是第一个输出元素以及用于计算这个输出的输入和核张量元素：(1×1+2×2+4×3+5×4)+(0×0+1×1+3×2+4
卷积神经网络CNN的经典模型
主要介绍卷积神经网络CNN的发展史，并详细剖析了经典网络模型的架构。
深度学习2.神经网络、机器学习、人工智能
深度学习属于机器学习的范畴，深度学习可以说是在传统神经网络基础上的升级，约等于神经网络。深度学习和传统机器学习在数据预处理上都是类似的。核心差别在特征提取环节，深度学习由机器自己完成特征提取，不需要人工提取。学习能力强覆盖范围广，适应性好数据驱动，上限高可移植性好计算量大，便携性差硬件需求高模型设计
基于对数谱图的深度学习心音分类
这是一篇很有意思的论文，他基于心音信号的对数谱图，提出了两种心率音分类模型，我们都知道：频谱图在语音识别上是广泛应用的，这篇论文将心音信号作为语音信号处理，并且得到了很好的效果。
深度学习｜卷积神经网络
介绍卷积神经网络基本理论，包括卷积层、池化层和全连接层，并阐述LeNet卷积神经网络的构建过程。
深度学习入门——深度卷积神经网络模型（Deep Convolution Neural Network,DCNN）概述
机器学习是实现人工智能的方法和手段，其专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构使之不断改善自身性能的方法。计算机视觉技术作为人工智能的一个研究方向，其随着机器学习的发展而进步，尤其近10年来，以深度学习为代表的机器学习技术掀起了一场计算机视觉革命。本文
AI编译器-图常见优化算法-算子融合
通过将多个逐元素运算融合为一个大的逐元素运算，可以减少内存访问和计算的开销，从而提高性能。多个逐元素运算和批归一化融合：将多个逐元素运算和批归一化层融合为一个大的逐元素运算，减少内存访问和计算的开销。多个逐元素运算和全连接层融合：将多个逐元素运算和全连接层融合为一个大的全连接层，减少内存访问和计算的
卷积神经网络识别人脸项目—使用百度飞桨ai计算
卷积神经网络，识别人脸或者其他图片，使用百度飞桨aiGPU计算
【人工智能】— 深度神经网络、卷积神经网络（CNN）、多卷积核、全连接、池化
如果只使用一个卷积核来提取特征，则可能会忽略输入数据中的其他特征信息，从而导致信息丢失。而使用多个卷积核可以提取更多的特征信息，并且可以通过堆叠这些特征来形成更高级别的特征表示。高级别的特征通常是由低级别的特征组合而成的，这也是为什么需要使用多个卷积核的原因。这是因为只使用一个卷积核无法充分提取输入
【人工智能与机器学习】基于卷积神经网络CNN的猫狗识别
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种具有局部连接、权值共享等特点的深层前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，擅长处理图像特别是图像识别等相关机器学习问题，
Could not load library libcudnn_cnn_infer.so.8.的解决方法
这篇文章主要记录一下自己在搭建Stable Diffusion WebUI中遇到的一个问题的解决方法。报错Could not load library libcudnn_cnn_infer.so.8.的解决方法。
WideNet:让网络更宽而不是更深
这是新加坡国立大学在2022 aaai发布的一篇论文。WideNet是一种参数有效的框架，它的方向是更宽而不是更深。通过混合专家(MoE)代替前馈网络(FFN)，使模型沿宽度缩放。使用单独LN用于转换各种语义表示，而不是共享权重。
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。
