cnn

PyTorch实战：CNN实现CIFAR-10图像分类的思路与优化在掌握了卷积神经网络（CNN）的基本组件（如卷积层、池化层）之后，最好的学习方式就是通过一个完整的项目来巩固知识。本文将带领大家梳理使用 PyTorch 框架，从零开始构建一个卷积神经网络，并在经典的 CIFAR-10 数据集上进行训练和测试，最终完成一个图像分类任务的完整思路。

图像生成 Stable Diffusion模型架构介绍及使用代码附数据集批量获取Diffusion，也就是扩散的意思。Diffusion模型是一种受到非平衡热力学启发，定义马尔科夫链的扩散步骤，向数据添加噪声，学习逆扩散过程，从噪声中构建样本。最初设计用于去噪，训练时间越长，降噪越逼真。

煤炭里de黑猫

使用 PyTorch 实现 MNIST 手写数字分类的 CNN 模型手写数字识别是计算机视觉领域的经典任务，而 MNIST 数据集提供了一个标准化的基准。本文将使用 PyTorch 框架构建一个标准的卷积神经网络（CNN），对 MNIST 数据集进行分类，并展示完整的训练和测试流程。

基于卷积神经网络通用手写体识别应用实验目录一、实验目的二、实验内容三、实验方法四、算法特色五、实验结果及分析实验源代码：模型训练结果在handdemo1.py的训练过程中，每个周期结束后会输出该周期的训练损失、测试损失、测试准确率和训练时间。典型的输出格式：

卷积神经网络的开端：LeNet−5LeNet-5神经网络是1998年YANN LECUN等人在论文Gradient-Based Learning Applied to Document Recognition中提出的一种颠覆性的算法。

即插即用系列 | AAAI 2025 Mesorch：CNN与Transformer的双剑合璧：基于频域增强与自适应剪枝的篡改定位论文题目：Mesoscopic Insights: Orchestrating Multi-scale & Hybrid Architecture for Image Manipulation Localization

【计算机视觉】基于Mask R-CNN的自动扶梯缺陷检测方法实现该数据集为自动扶梯缺陷检测数据集，采用YOLOv8格式标注，共包含361张图像。数据集由qunshankj平台用户提供，采用CC BY 4.0许可协议发布。数据集包含两个类别：‘broken’（损坏）和’unbroken’（完好），用于自动扶梯部件状态的分类检测。所有图像在预处理阶段均进行了自动方向调整（剥离EXIF方向信息）并拉伸调整至416x4416像素尺寸，但未应用任何图像增强技术。数据集按训练集、验证集和测试集进行划分，适用于目标检测模型的训练与评估，旨在实现对自动扶梯部件缺陷的自动化识别与监测。

【CNN卷积神经网络（吴恩达）】深度卷积网络（实例探究）学习笔记接下来我们来看一些卷积神经网络的实例分析，为什么要看这些实例分析呢？之前我们讲了卷积神经网络的基本构件，比如卷积层、池化层以及全连接层这些组件，事实上，过去几年，计算机视觉的大量研究都集中在如何把这些基本构件组合起来形成有效的卷积神经网络，找感觉的最好的方法之一就是去看一些案例，就像很多人通过看别人的代码来学习编程一样，通过研究别人构建的有效的组件的案例是一个不错的方法。

表格结构识别与内容解析——基于Cascade R-CNN的表格行、列、单元格自动检测与分类_1该数据集是RF100计划的一部分，由Intel赞助，旨在创建用于模型泛化能力评估的新型目标检测基准。数据集以表格结构识别为核心，包含3866张图像，所有图像均以YOLOv8格式进行了详细标注。数据集涵盖12种类别，包括普通行、加粗行、父行、子行、列、父列、主父元素、闭合行等表格结构元素。这些标注能够精确识别表格中的各种结构关系，如直接父子关系、非直接父子关系等。数据集通过qunshankj平台导出，未应用任何图像增强技术，保持了原始数据的完整性。该数据集为表格结构理解、文档解析和信息提取等计算机视觉任务提

Quintus五等升

深度学习③|分类任务—AlexNetAlexNet（2012），是深度学习发展历程中的一个里程碑，开启了深度学习的狂潮。同时，也是如今学习深度学习绕不开的经典模型。

AI大模型-深度学习-卷积神经网络CNN为避免一学就会、一用就废，这里做下笔记本文内容紧承前文-对卷积的理解、对神经网络的理解，欲渐进，请循序。

TensorFlow学习系列03 | 实现天气识别

啊阿狸不会拉杆

《机器学习》第 8 章 - 常用深度网络模型大家好！今天给大家分享《机器学习》第 8 章的核心内容 —— 常用深度网络模型。这一章是机器学习进阶的关键，涵盖了卷积网络、循环网络、生成对抗网络三大核心深度模型，以及它们的实际应用。全文内容通俗易懂，每个知识点都配有可直接运行的完整 Python 代码 + 可视化对比图 + 详细注释，方便大家动手实操，加深理解。

AI大模型-深度学习-卷积神经网络-残差网络为避免一学就会、一用就废，这里做下笔记本文内容紧承前文-卷积神经网络CNN，欲渐进，请循序残差网络（ResNet）是一种通过引入 “快捷连接” 来构建极深卷积神经网络的架构。其核心思想是“残差学习”。

通过手写识别数字可视化学习卷积神经网络原理本项目是一个交互式卷积神经网络(CNN)可视化工具，旨在帮助用户直观地理解卷积神经网络的工作原理。用户可以在绘图板上绘制数字，系统会实时将绘制内容输入到预训练的CNN模型中，并以3D可视化的方式展示神经网络各层的工作过程和决策依据。

前进的李工

深度解析：词向量与自注意力机制词的表示即为将输入的语句转换为计算机可以处理的数字形式。独热编码是一种最简单、最基础的将离散型数据（特别是分类数据）转换为数值形式的方法。

【MobileVIT论文解读】打破 CNN 与 ViT 壁垒：MobileViT 如何重塑移动端视觉模型？在移动端视觉任务中，轻量化卷积神经网络（CNNs）一直占据主导地位，其空间归纳偏置使其能以较少参数学习有效表征。但 CNN 的局限性也十分明显 —— 仅能进行局部特征处理，难以捕捉全局依赖关系。而以自注意力为核心的视觉 Transformer（ViT）虽能学习全局表征，却存在模型笨重、 latency 高、训练复杂等问题，难以适配移动端资源约束。 2022 年 ICLR 会议上，Apple 团队提出的 MobileViT 给出了破局之道：将 CNN 的局部特征提取能力与 ViT 的全局依赖建模优势相结合，

【论文笔记】《Deep Learning for Time Series Anomaly Detection: A Survey》用于时序数据异常检测的深度学习综述2024年10月时序数据的异常检测广泛应用与金融市场、经济学、地球科学、制造业和医疗保健等行业。本综述提供了基于异常检测策略和深度学习模型的分类法，讨论了它们的优点和局限性。该综述包括近年来在各种应用领域的时序数据中深度异常检测的例子。

翱翔的苍鹰

通俗、生动的方式来讲解“卷积神经网络（CNN）🌟 一、什么是卷积神经网络？（CNN） ✅ 简单说：卷积神经网络（CNN）是专门用来“看图”的深度学习模型。 🔍 举个生活例子：想象你是一个刚出生的婴儿，第一次看到一只猫。一开始你只看到一堆颜色和形状 → 不知道是什么但你的眼睛会慢慢注意到：有两条竖线 → 可能是耳朵有圆点 → 是眼睛有胡须 → 是猫！最后你把所有特征组合起来 → “这是只猫” 🧠 CNN 就像这个过程：它通过一层层“扫描”图像，从简单到复杂地识别图案。 🧱 二、CNN 的三大核心组件（构成）我们来用一张图片一步

纺织品微观缺陷检测与分类：基于Faster R-CNN的改进模型实现与性能优化_1纺织品在生产和加工过程中难免会出现各种微观缺陷，如破洞、断线、污渍、色差等。这些缺陷不仅影响产品的美观度，更会严重影响其使用寿命和安全性。传统的纺织品缺陷检测主要依靠人工目视检查，这种方法效率低、成本高，且容易受到人为因素的影响。随着深度学习技术的发展，基于计算机视觉的自动缺陷检测方法逐渐成为研究热点。