神经网络--从0开始搭建全连接网络和CNN网络
今天来学习一下如何从0开始搭建全连接网络和CNN网络，并通过实验简单对比一下两种神经网络的不同之处，本文目录较长，可以根据需要自动选取要看的内容
【人工智能原理自学】卷积神经网络：图像识别实战
😊你好，我是小航，一个正在变秃、变强的文艺倾年。🔔本文讲解卷积神经网络：图像识别实战，一起卷起来叭！
基于卷积神经网络（cnn）的手写数字识别（PyTorch）
手写数字识别应用广泛，对其研究有重要价值。在众多算法中，卷积神经网络在手写数字识别上表现突出，而且在实现上诸多优点。使用卷积神经网络来处理手写数字是一个很好的选择。pytorch在算法实现上有着简洁，优雅等特点。因此采用卷积神经网络算法和pytorch框架来实现手写数字识别。
Python图像识别实战（五）：卷积神经网络CNN模型图像二分类预测结果评价（附源码和实现效果）
Python图像识别实战：卷积神经网络CNN模型图像二分类预测结果评价（附源码和实现效果）
ResNet18网络的具体构成
ResNet18的基本含义是，网络的基本架构是ResNet，网络的深度是18层。但是这里的网络深度指的是网络的权重层，也就是包括池化，激活，线性层。3，步长为1，padding为1。这个卷积层的卷积核的大小为7。7，步长为2，padding为3，输出通道为64。也就是说这个池化不改变数据的通道数量，
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
【深度学习】基于卷积神经网络（tensorflow）的人脸识别项目（四）
实现一个基于界面化的一个人脸识别。本篇主要是实现第四步。最后一篇咯 1. 首先需要收集数据，我的想法是通过OpenCV调用摄像头进行收集人脸照片。 2. 然后进行预处理，主要是对对数据集分类，训练集、验证集、测试集。选取合适的参数，例如损失函数。图像灰度化、归一化等等操作。 3. 开始训练模型，提前
深度学习——VGG16模型详解
1、网络结构VGG16模型很好的适用于分类和定位任务，其名称来自牛津大学几何组（Visual Geometry Group）的缩写。根据卷积核的大小核卷积层数，VGG共有6种配置，分别为A、A-LRN、B、C、D、E，其中D和E两种是最为常用的VGG16和VGG19。介绍结构图：conv3-64 ：
Yolov5更换主干网络之《旷视轻量化卷积神经网络ShuffleNetv2》
通过ChannelSplit替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。
卷积神经网络CNN实现mnist手写数字识别
卷积神经网络CNN实现mnist手写数字识别
CNN中的底层、高层特征、上下文信息、多尺度
分类要求特征有较多的高级信息，回归（定位）要求特征包含更多的细节信息。
Matlab深度学习入门实例:从0搭建卷积神经网络CNN（附完整代码）
Matlab的功能十分强大，其自带的深度学习工具箱可以使我们免于编写底层算法，迅速地搭建出一个卷积神经网络，同时，其自带手写数字图片以供学习，地址如下，笔者使用的是Matlab2022a。网上已具有大量卷积神经网络的讲解，故本文不在对此赘述，这篇文章针对已了解CNN基础结构和原理者，以一个例子搭建一
基于CNN和LSTM的气象图降水预测示例
我们是否可以通过气象图来预测降水量呢？今天我们来使用CNN和LSTM进行一个有趣的实验。
MNIST数据集手写数字识别（CNN）
MNIST 包括6万张28x28的训练样本，1万张测试样本，很多教程都会对它”下手”几乎成为一个 “典范”，可以说它就是计算机视觉里面的Hello World。所以我们这里也会使用MNIST来进行实战。前面在介绍卷积神经网络的时候说到过LeNet-5，LeNet-5之所以强大就是因为在当时的环境下将
深度网络架构的设计技巧(三)之ConvNeXt：打破Transformer垄断的纯CNN架构
正当其时的“2020s”年代，从Transformer开始，引爆了一股“咆哮”的热潮，各种框架层出不穷，借用凯明一句话“without bells and whistles”，沉淀下来的实用性如何？本文作者长篇分析设计CNN架构的若干技巧，对照Swin Transformer的设计理念，渐进式“现代
pytorch深度学习实战lesson26
Googlenet的好处，以及实现方法。
CNN中的底层、高层特征、上下文信息、多尺度
分类要求特征有较多的高级信息，回归（定位）要求特征包含更多的细节信息。
深度学习——VGG16模型详解
1、网络结构VGG16模型很好的适用于分类和定位任务，其名称来自牛津大学几何组（Visual Geometry Group）的缩写。根据卷积核的大小核卷积层数，VGG共有6种配置，分别为A、A-LRN、B、C、D、E，其中D和E两种是最为常用的VGG16和VGG19。介绍结构图：conv3-64 ：
fast-rcnn详解
FastR-CNN算法及训练过程R-CNN显著提升了目标检测算法的性能，但因为计算过于复杂，耗时很长，所以在实际的应用系统中，大都无法使用。经过分析可知，R-CNN的复杂性主要来自两个方面：一是需要针对大量的候选框分别进行计算；二是特征提取之后的分类器训练和位置回归，是几个独立步骤分别进行的。在训练
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
