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）
AlexNet模型及代码详解
Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮，并赢得了2012届图像识别大赛的冠军，使得CNN成为在图像分类上的核心算法模型。该网络的亮点在于：（1）首次使用了GPU进行网络加速训练。（2）使用了ReLU激活函数，而不是传统的Sigmoid激活函数以及Tanh激活函数
[时间序列预测]基于BP、LSTM、CNN-LSTM神经网络算法的单特征用电负荷预测[保姆级手把手教学]
本文章主要从3个算法BP、LSTM、CNN-LSTM进行时间序列预测的讲解，主要案例是利用单特征电力负荷预测进行讲解。对比三个模型在用电负荷预测中的优越性。
深度学习模型理解-CNN-手写数据字代码
图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。非严格意义上来讲，下图中红框框起来的部分便可以理解为一个滤波器，即带着一组固定权重的神
CNN-运动鞋品牌识别
CNN-运动鞋识别
CNN天气识别
本文将采用CNN实现多云、下雨、晴、日出四种天气状态的识别。本文为了增加模型的泛化能力，新增了Dropout层并且将最大池化层调整成了平均池化层。
Checkerboard Artifacts（棋盘伪影）的发生以及解决方案：
kernel_size=3，stride=2：以输出中第三行元素为例，从左往右接受的信息量依次由输入中的2/2/4/2/2个元素提供，中间元素接受信息量不同，此为“不均匀重叠”。此外，当kernel_size=3，stride=2时，一维转置卷积输出中依次接受输入特征的1/1/2/1/1个元素提供的
【深度学习】6-卷积过程中数据的结构变化
在学习卷积神经网络时，我对于卷积过程中数据的结构变化常感困惑不解（如改变数组的维度顺序），因此在这里做一些整理。
基于CNN卷积神经网络的TensorFlow+Keras深度学习的人脸识别
在上一篇博客中，利用CNN卷积神经网络的TensorFlow+Keras深度学习搭建了人脸模型：《基于CNN卷积神经网络的TensorFlow+Keras深度学习搭建人脸模型]》，本篇博客将继续利用CNN卷积神经网络的TensorFlow+Keras深度学习实现人脸识别...
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
【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】基于卷积神经网络（tensorflow）的人脸识别项目（二）
实现一个基于界面化的一个人脸识别。本篇主要是实现第二步。 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，提前创建好标签
【Computer Vision】基于卷积神经网络实现美食分类
【Computer Vision】基于卷积神经网络实现美食分类，基于百度飞桨开发，参考于《机器学习实践》所作。
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
