cnn

qq_340474028 小时前
人工智能·神经网络·cnn·卷积神经网络
0.6 卷积神经网络1.待优化的参数过多容易导致模型过拟合全连接层的神经元网络参数个数(w和b)：例如：处理1000万像素的RGB彩色图，如果隐藏层为1000个神经元。那么参数仅w就是：1000x3x1000万=300亿个参数
mooooon L3 天前
人工智能·神经网络·cnn
DAY 41 简单CNN-2025.10.5知识回顾卷积操作常见流程如下：作业：尝试手动修改下不同的调度器和CNN的结构，观察训练的差异。核心：通过对原始数据进行随机变换（如旋转、翻转、缩放、加噪等），增加数据多样性，从而提升模型的泛化能力，减少过拟合。是训练深度学习模型（尤其是图像任务）的常用技巧。
Hcoco_me3 天前
深度学习·yolo·cnn
YOLO入门教程（番外）：卷积神经网络—图像卷积上节我们解析了卷积层的原理，现在我们看看它的实际应用。由于卷积神经网络的设计是用于探索图像数据，本节我们将以图像为例。
东方芷兰4 天前
人工智能·笔记·python·神经网络·语言模型·自然语言处理·cnn
LLM 笔记 —— 02 大语言模型能力评定本文探讨了评估语言模型性能的不同方法及其局限性。对于选择题，模型输出可能包含文字、概率或推断，难以标准化评判，开放性问题则更难统一标准，解决方案包括wit人类评审、使用更强模型模型（如GPT-4）评判，但需注意"内卷"（过长输出）的影响。
励志成为糕手7 天前
人工智能·神经网络·cnn·模型优化·mbconv
EfficientNet模型：高效卷积神经网络的革命性突破🌟 你好，我是 励志成为糕手 ！ 🌌 在代码的宇宙中，我是那个追逐优雅与性能的星际旅人。 ✨ 每一行代码都是我种下的星光，在逻辑的土壤里生长成璀璨的银河； 🛠️ 每一个算法都是我绘制的星图，指引着数据流动的最短路径； 🔍 每一次调试都是星际对话，用耐心和智慧解开宇宙的谜题。 🚀 准备好开始我们的星际编码之旅了吗？
星期天要睡觉8 天前
opencv·计算机视觉·cnn
计算机视觉（opencv）——基于 dlib 和 CNN卷积神经网络 的人脸检测人脸检测是计算机视觉中的核心任务，是人脸识别、表情识别、姿态估计、活体检测等应用的前置步骤。dlib 提供了多种人脸检测器，其中 CNN 检测器基于深度学习，能在多角度、复杂光照、遮挡情况下保持较高的检测率。本文将深入介绍如何用 dlib.cnn_face_detection_model_v1 实现高精度人脸检测，并结合 OpenCV 可视化结果，给出优化技巧和实际应用建议。
尤超宇8 天前
人工智能·分类·cnn
基于卷积神经网络的 CIFAR-10 图像分类实验报告本实验基于 PyTorch 深度学习框架，设计并实现了一款轻量级卷积神经网络（CNN），用于解决 CIFAR-10 数据集的 10 分类任务。实验通过数据标准化预处理、多轮迭代训练、GPU 加速计算等手段，完成了模型的构建、训练与测试。结果表明，经过 10 轮训练后，模型损失值从初始的 1.8 左右降至 0.8 以下，在测试集上对随机抽取的 4 个样本实现了 75% 以上的分类准确率，验证了轻量级 CNN 在小尺寸图像分类任务中的有效性。
en-route8 天前
人工智能·神经网络·cnn
从零开始学神经网络——CNN（卷积神经网络）卷积神经网络（ CNN ，Convolutional Neural Network）是近年来深度学习领域最为重要且应用广泛的模型之一，尤其在计算机视觉领域取得了巨大的突破。CNN 模型的强大之处在于其能够自动从数据中提取特征，并能够以层次化的方式学习数据中的复杂结构。在本文中，我们将深入了解 CNN 的基本结构、工作原理、以及其在各个领域中的应用。
姜—姜11 天前
pytorch·分类·cnn
使用 PyTorch 框架对 CIFAR - 10 数据集进行CNN分类
史锦彪11 天前
pytorch·分类·cnn
PyTorch 实现 CIFAR-10 图像分类：从基础 CNN 到全局平均池化的探索CIFAR-10 数据集包含 10 类、共 60000 张 32×32 的彩色图像，是计算机视觉领域入门图像分类任务的经典数据集。本文基于 PyTorch 框架，完整演示从数据预处理、CNN 模型构建、模型训练与优化到性能评估的全流程，并介绍 “全局平均池化” 对模型结构的优化思路。
麒羽76011 天前
pytorch·分类·cnn
PyTorch 实现 CIFAR10 数据集的 CNN 分类实践基于CIFAR10 数据集，用 PyTorch 完成了一个卷积神经网络（CNN）图像分类的实践，这里把核心流程分享出来～
_pinnacle_12 天前
人工智能·神经网络·cnn·黑箱·卷积网络
打开神经网络的黑箱（三） 卷积神经网络(CNN)的模型逻辑上一篇文章 解析了多层感知机（Multi-Layer Perceptron）模型的输入空间划分（Space Partitioning）与编码逻辑，本章将解析卷积神经网络（Convolutional Neural Networks，CNN）或简称卷积网络的模型运行逻辑。卷积网络本身是多层感知机的推广，即基于局部MLP的神经网络。
没有梦想的咸鱼185-1037-166312 天前
pytorch·python·深度学习·机器学习·数据分析·cnn·transformer
【遥感技术】从CNN到Transformer：基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。
董建光d14 天前
笔记·深度学习·cnn
深度学习笔记：卷积神经网络（CNN）演进与PyTorch构建模型基础LeNet-5 是早期成功的卷积神经网络之一，用于手写数字识别。其结构分为两部分：卷积编码器：两个卷积层，使用5×5卷积核和Sigmoid激活函数。
Sunhen_Qiletian14 天前
网络·深度学习·cnn
从传统CNN到ResNet：深度学习中的深层网络革命目录引言：一、迁移学习：深度学习落地的“加速引擎”1.1迁移学习是什么1.2迁移学习的一般流程二、传统CNN的困境：梯度消失、爆炸与“退化”之谜
fanzhix14 天前
人工智能·神经网络·cnn
卷积神经网络一、基础认知 定义：专为处理网格结构数据（如图像、视频）设计的深度学习模型，模拟人类视觉系统的局部感知与层级整合机制，实现特征自动提取与任务预测。 核心思想：以 “局部特征提取→层级特征整合” 为核心，浅层捕捉边缘、纹理等低级特征，深层聚合为形状、对象等高级语义特征。 与全连接网络的区别：通过 “局部连接”（仅关注输入局部区域）和 “参数共享”（同一卷积核复用权重），解决全连接网络参数爆炸、丢失空间关联性的缺陷。 二、核心组件与原理 1. 卷积层（特征提取核心） 核心工具：卷积核（Filter），多为 3
Billy_Zuo23 天前
人工智能·深度学习·cnn
人工智能深度学习——卷积神经网络（CNN）对图像矩阵与滤波器矩阵进行对应相乘再求和运算，转化得到新的矩阵。作用：快速定位图像中某些边缘特征英文：convolution（CNN）
IT古董23 天前
人工智能·计算机视觉·cnn
【第五章:计算机视觉-项目实战之图像分类实战】1.经典卷积神经网络模型Backbone与图像-(4)经典卷积神经网络ResNet的架构讲解在 VGGNet 之后，卷积神经网络虽然加深了层数（达到 19 层以上），但也带来了 梯度消失与梯度爆炸 的问题，导致训练困难，效果甚至出现退化。 微软研究院在 2015 年提出了 ResNet（Residual Network），其核心贡献是引入了 残差学习机制（Residual Learning），大幅缓解了深层网络训练中的梯度问题。
兔子不吃草～23 天前
学习·cnn·transformer
Transformer学习记录与CNN思考标准的 Transformer 模型主要由两个模块构成： Encoder（左边）：负责理解输入文本，为每个输入构造对应的语义表示（语义特征）； Decoder（右边）：负责生成输出，使用 Encoder 输出的语义表示结合其他输入来生成目标序列。