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。
基于LSTM-CNN的人体活动识别
人体活动识别（HAR）是一种使用人工智能（AI）从智能手表等活动记录设备产生的原始数据中识别人类活动的方法。在本文中，我将使用LSTM 和CNN 来识别下面的人类活动
PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
基于CNN-RNN的医疗文本生成
本项目使用经过IMAGENET预训练的resnet101网络图像特征进行提取后，将图像特征输入LSTM来生成影像的文本描述。初步实现了图像到文本的简单生成。
用RNN & CNN进行情感分析 - PyTorch
情感分析研究人们在文本中（如产品评论、博客评论和论坛讨论等）“隐藏”的情绪。这里使用斯坦福大学的大型电影评论数据集（large movie review dataset）进行情感分析。它由一个训练集和一个测试集组成，其中包含从IMDb下载的25000个电影评论。在这两个数据集中，“积极”和“消极”标
你应该知道的，十二大CNN算法
大家好，我是K同学啊！今天和大家分享一下自年来，涌现出来的那些优秀的图像识别算法模型。⭐️ 简介模型是Yann LeCun教授于1998年在论文《Gradient-based learning applied to document recognition》中提出。它是第一个成功应用于手写数字识别问
猫狗图像识别（卷积神经网络算法，TensorFlow安装）-运行篇
一、tensorflow库安装（1）TensorFlow的历史版本与对应Python版本（2）Python版本查询win+R或者在搜索框搜索cmd打开Windows的终端，在终端输入python --version（3）找到上面的版本框进行对应的TensorFlow下载当时安装时并没有想到版本问题会
Faster R-CNN遇到的所有坑及解决方法
Faster RCNN
使用卷积神经网络实现猫狗分类任务
一、数据集下载链接 使用卷积神经网络在猫狗分类数据集上实现分类任务。一、数据集下载链接 猫狗分类数据集
基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）
训练网络搭建环境：Pytorch，Pycham，Matlab。说明：该网络反向传播是通过软件方式生成，FPGA内部不进行反向传播计算。该节通过Python获取训练数据集，并通过Pytorch框架搭建的CNN网络进行网络的训练。并将训练的最优参数导出，这一节先导出至Matalb进行网络的验证以及数据的
python 关于CNN的一些思考-2022
今年(2022)CVPR有两篇关于CNN的论文让我印象深刻，因为它们不约而同的使用了更大的卷积核：疑问1：为什么之前很少有论文用大卷积核？疑问2：大卷积核为什么这么work？
李宏毅老师《机器学习》课程笔记-3卷积神经网络
介绍了深度学习在图像识别领域的应用—卷积神经网络。
卷积神经网络(原理与代码实现)
卷积神经网络1、卷积的概念2、感受野的概念3、全零填充(padding)4、Tensorflow描述卷积层4.1 卷积(Convolutional)4.2 批标准化（Batch Normalization，BN）4.3 池化4.4 Dropout5、简单CNN实现CIFAR10数据集分类5.1 ci
人工智能-作业4：CNN - 卷积
真有意思啊！！
Pytorch学习笔记（七）——CNN基础
目录一、~~卷积~~ （互相关）运算1.1 边缘检测1.2 nn.Conv2d1.3 卷积核学习1.4 特征图与感受野一、卷积 （互相关）运算严格来讲，卷积运算实际上是互相关（cross-correlation）运算，如下图所示：设输入大小为 (nh,nw)(n_h,n_w)(nh,nw)，卷积
计算机视觉之卷积神经网络
计算机视觉之卷积神经网络
从零开始，手把手教你使用Keras和TensorFlow构建自己的CNN模型
最近学习CNN，搭建CNN模型时看网上鱼龙混杂的博客走了不少歪路，决定自己来总结一下。环境是Python 3.8.12 ，TensorFlow 2.3.0，Keras 2.4.3
神经网络之激活函数
1.引言上一篇文章我们提到了神经网络中前向传播中数据经过线性变换后会传入一个激活函数(activation function),以满足我们解决非线性问题的需求。2.激活函数类常见的激活函数有以下四种。2.1 Sigmoid2.1.1 表达式与图像表达式：图像：2.1.2 优缺点优点：将整个实轴映射到
动手学深度学习——卷积层
从全连接到卷积1、简单例子：分类猫和狗的图片使用一个还不错的相机采集图片（12M像素）RGB图片有36M元素使用100大小的单隐藏层MLP，模型有3.6B元素，远多于世界上所有猫和狗总数（900M狗，600M猫）2、重新考察全连接层将输入和输出变形为矩阵（宽度，高度）；将权重变形为4-D张量（h,w
