cnn

Billy_Zuo2 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2 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~3 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。
似乎很简单4 天前
深度学习·神经网络·cnn
卷积神经网络(CNN)目标:基础概念:概念:在整个神经网络过程中含有卷积运算的网络,就叫做卷积神经网络(CNN),是一个统称。
kunwen1234 天前
rnn·langchain·cnn·transformer·langgraph
机器学习、深度学习卷积神经网络(CNN)vs. 循环神经网络(RNN)vs. Transformer一文带你搞懂 AI Agent 开发利器:LangGraph 与 LangChain 区别
IT古董5 天前
人工智能·计算机视觉·cnn
【第五章:计算机视觉】1.计算机视觉基础-(3)卷积神经网络核心层与架构分析:卷积层、池化层、归一化层、激活层卷积神经网络(Convolutional Neural Network, CNN)是计算机视觉领域的里程碑性突破。其核心思想是利用卷积操作提取图像的局部特征,并逐层组合为高层语义特征。CNN 已成为图像分类、目标检测、语义分割等任务的主流架构。
七芒星20235 天前
人工智能·pytorch·深度学习·神经网络·学习·cnn
ResNet(详细易懂解释):残差网络的革命性突破想象一下,你在学做一道超级复杂的菜,比如“佛跳墙”。传统的深度学习网络:就像一个死记硬背的学徒。师傅告诉他,必须严格按照步骤来:先处理A食材,再处理B,然后炖C,最后加D。如果步骤(网络层数)太多太深,他学到后面可能就蒙逼了:“我丢,我第一步是啥来着?为啥第三步要那样做?” 结果就是,他不仅没学会新菜,连之前会的炒青菜(简单特征)都忘了。这在神经网络里叫做退化问题(Degradation Problem):网络不是越深越好,深到一定程度,准确率不升反降
三之又三5 天前
人工智能·神经网络·cnn
卷积神经网络CNN-part5-NiN卷积神经网络CNN-part4-VGG-CSDN博客摘要:本文介绍了网络中的网络(NiN)结构,对比了AlexNet、VGG等经典CNN架构。NiN采用多层1x1卷积替代全连接层,通过NiN块(普通卷积+两个1x1卷积)构建网络,显著减少参数量。文中详细给出了NiN块和网络的PyTorch实现代码,展示了各层输出维度变化,并进行了Fashion-MNIST数据集训练。最后对比分析了不同CNN网络的内部结构特点,指出NiN在减少参数方面的优势,但也可能增加训练时间。
小龙6 天前
笔记·学习·cnn·gcn·图卷积神经网络·理论知识
图卷积神经网络(GCN)学习笔记当我们处理图像时,CNN可以用3×3卷积核在规则像素网格上滑动提取特征;处理文本时,RNN能顺着单词的时序顺序捕捉上下文——但现实世界中,更多数据是“无规则结构”的:比如社交网络里每个人的好友数量不同,分子结构中原子的连接方式不规则,交通网络里路口的连通关系没有固定模式。
先做个垃圾出来………6 天前
人工智能·rnn·cnn
传统模型RNN与CNN介绍循环神经网络是一类专门用于处理序列数据的神经网络。在传统的前馈神经网络中,信息只能单向流动,输入层到隐藏层再到输出层,各输入之间是相互独立的。而在 RNN 中,由于序列数据前后元素之间通常存在依赖关系,RNN 通过引入循环结构,使得网络在处理当前时刻的输入时,能够记住之前时刻的信息。
colus_SEU7 天前
人工智能·深度学习·计算机视觉·cnn
【卷积神经网络详解与实例】4——感受野在卷积神经网络中,感受野(Receptive Field)是一个非常重要的概念,它描述了卷积神经网络中某一层输出结果的一个元素对应输入层上的区域大小,也就是特征图(Feature Map)上的一个点所对应的输入图像上的区域。
机器学习之心8 天前
人工智能·matlab·cnn
基于CNN的航空发动机剩余寿命预测 (MATLAB实现)本文将介绍如何使用MATLAB实现基于卷积神经网络(CNN)的航空发动机剩余寿命(RUL)预测模型。航空发动机剩余寿命预测是预测性维护的关键技术。通过分析数据可以建立模型来预测发动机何时可能需要维护或更换。
THMAIL8 天前
人工智能·python·深度学习·神经网络·机器学习·生成对抗网络·cnn
深度学习从入门到精通 - 生成对抗网络(GAN)实战:创造逼真图像的魔法艺术各位!今天我们一起探索深度学习中那个能"无中生有"的神奇技术——生成对抗网络(GAN)。想象一下,计算机不仅能识别图像,还能创造逼真的人脸、风景甚至艺术作品,这简直是数字世界的魔法!在这个系列中,我将手把手带你从理论到实战,最后让机器学会"绘画"。特别提醒,这条路有不少坑要绕——比如模型崩溃、梯度消失这些老冤家,不过别担心,我会把每个坑位都标清楚。
倔强的石头1069 天前
人工智能·神经网络·cnn
卷积神经网络(CNN):从图像识别原理到实战应用的深度解析在CNN诞生前,传统机器学习(如SVM、随机森林)处理图像任务时,面临无法逾越的两大瓶颈,而这正是CNN的核心优势所在。
大学生毕业题目10 天前
人工智能·python·yolo·目标检测·cnn·pyqt·杂草识别
毕业项目推荐:83-基于yolov8/yolov5/yolo11的农作物杂草检测识别系统(Python+卷积神经网络)往期经典回顾具体项目资料请看项目介绍大全人工智能 (AI) 在智慧农业与作物田间管理领域应用广泛,基于深度学习的农作物杂草检测是重点研究方向。该系统依托无人机航拍,结合计算机视觉与深度学习模型,可自动识别农田中作物与杂草的类别、精准提取杂草位置坐标、覆盖范围等关键信息,大幅提升田间除草效率、施药精准度及作物生长保障能力,降低因杂草争夺养分导致的作物减产风险,本文还将提供简单 Python 代码实现以助理解。农作物杂草检测是农田管理、精准植保及产量保障的核心技术支撑,尤其在大面积规模化种植基地,或作物苗期与
㱘郳10 天前
pytorch·分类·cnn
cifar10分类对比:使用PyTorch卷积神经网络和SVM数据集下载参考:cifar10下载太慢,解决使用第三方链接或迅雷下载-CSDN博客我是用的PyTorch2.8.0
山烛12 天前
人工智能·pytorch·python·深度学习·cnn·调整学习率
深度学习:CNN 模型训练中的学习率调整(基于 PyTorch)目录一、为什么要调整学习率?二、PyTorch 学习率调整核心接口三、3 类学习率调整策略详解3.1 有序调整:按预设规则更新
THMAIL13 天前
linux·人工智能·python·算法·机器学习·cnn·逻辑回归
机器学习从入门到精通 - 卷积神经网络(CNN)实战:图像识别模型搭建指南各位,是不是觉得那些能认出照片里是猫还是狗、是停车标志还是绿灯的AI酷毙了?今天咱们就撸起袖子,亲手搭建一个这样的图像识别模型!别担心不需要你从零开始造轮子,我们会用最接地气的Python和TensorFlow/Keras库,一步步拆解卷积神经网络(CNN)—— 这个图像识别领域的绝对大杀器。跟着这篇指南走完,你不仅能搞懂CNN背后的门道,更能亲手训练出一个能“看见”的模型。想象一下,下次聚会你掏手机说“看,这是我训练的模型识别出的品种!”绝对比聊天气带劲多了
二向箔reverse13 天前
网络·pytorch·cnn
从传统CNN到残差网络:用PyTorch实现更强大的图像分类模型在深度学习领域,卷积神经网络(CNN)凭借其强大的空间特征提取能力,已成为计算机视觉任务的核心工具。然而,随着网络深度的增加,传统的CNN往往会面临梯度消失/爆炸和训练退化的问题——即使增加网络层数,模型的准确率也不升反降。2015年,何恺明团队提出的**残差网络(Residual Network, ResNet)**通过引入“跳跃连接”(Skip Connection),解决了这一难题,使深度神经网络的训练变得可行。本文带你理解残差网络的核心思想,并基于PyTorch实现一个基础残差网络模型。
小关会打代码13 天前
深度学习·学习·cnn
深度学习之第七课卷积神经网络 (CNN)调整学习率目录简介一、调整学习率1.有序调整学习率1.1StepLR(等间隔调整学习率)1.2MultiStepLR(多间隔调整学习率)