resnet

深度学习篇--- ResNet-18要理解 ResNet-18，我们可以把它想象成一个 “擅长识别图像的智能流水线”—— 它能把一张图片（比如猫、狗、风景照）输入进去，最终输出 “这张图是什么” 的判断。它的核心优势是 “能建得很深，但不会‘笨’”，而 “18” 和 “Res” 则是它最关键的两个标签，我们一步步拆解开讲：

16.使用ResNet网络进行Fashion-Mnist分类

20.微调ResNet-18网络分类热狗数据集(失败版本)

论文解析：一文弄懂ResNet(图像识别分类、目标检测)一、相关资源二、Motivation三、技术细节1.残差学习过程2.快捷连接类型(1)Identity Shortcuts（恒等捷径）

神经网络中的梯度消失与梯度爆炸在深层次的神经网络中很容易出现梯度消失与梯度爆炸的问题。这篇博客就详细介绍一下为什么会产生梯度消失与梯度爆炸的问题，以及如何解决。

終不似少年遊*

MindSpore框架学习项目-ResNet药物分类-数据增强目录1.数据增强1.1设置运行环境1.1.1数据预处理数据预处理代码解析1.1.2数据集划分数据集划分代码说明

《Python星球日记》第55天：迁移学习与预训练模型名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

【论文阅读19】-Res-Net (CVPR 2016)-Deep Residual Learning for Image Recognition这篇论文提出了深度残差学习（Deep Residual Learning）框架，通过引入残差模块（ResNet Block）解决了深层神经网络训练中的退化问题。其核心创新是将传统的层间映射 H ( x ) H(x) H(x) 转化为残差映射 F ( x ) = H ( x ) − x F(x) = H(x) - x F(x)=H(x)−x，通过跳跃连接（Skip Connection）实现恒等映射的短路机制。这种设计让网络能更高效学习微小波动（当最优解接近恒等时），同时梯度可通过残差路径直接反向传播到底

残差神经网络（ResNet）概念解析与用法实例：简洁的图像处理任务目录1. 前言2. ResNet的核心思想2.1 残差学习2.2 跳跃连接3. ResNet的架构3.1 残差块

【现代深度学习技术】现代卷积神经网络06：残差网络（ResNet）【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

幻风_huanfeng

每天五分钟深度学习框架PyTorch：使用残差块快速搭建ResNet网络前面我们使用pytorch搭建了残差块，本文我们更进一步，我们使用残差块搭建ResNet网络，当学会如何搭建残差块之后，搭建ResNet就会非常简单了，因为ResNet就是由多个残差块组成的。

机器学习小小白

深入解析EfficientNet：高效深度学习网络与ResNet的对比（使用TensorFlow进行代码复现，并使用cifar10数据集进行实战）在深度学习领域，卷积神经网络（CNN）是解决图像分类、目标检测等问题的关键技术之一。近年来，随着深度学习的不断发展，新的网络架构不断涌现。在众多网络架构中，EfficientNet和ResNet都成为了深度学习模型的佼佼者，分别在高效性和深度特性上得到了广泛应用。本文将详细介绍EfficientNet，并与经典的ResNet进行对比，分析它的架构、使用场景、适用问题及实例。

深度学习基础--ResNet网络的讲解，ResNet50的复现(pytorch)以及用复现的ResNet50做鸟类图像分类前言ResNet网络是CNN的经典网络架构，是有大神何凯明提出的，主要为了解决随着网络的加深而引起的“ 退化 ”问题，主要用于图像分类。

学不会lostfound

三、计算机视觉_04AlexNet、VggNet、ResNet设计思想AlexNet是由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年ImageNet大规模视觉识别挑战赛（ILSVRC）中提出的，它不仅赢得了当届的比赛，还激发了后续许多创新的神经网络架构（如VGGNet、ResNet、GoogLeNet等）的开发

深度学习：残差网络(ResNet)的原理及优缺点残差网络（Residual Network，简称ResNet）是一种深度卷积神经网络架构，它在2015年由微软研究院的Kaiming He等人提出。ResNet解决了深度学习领域中的一个关键问题：随着网络深度的增加，网络的性能反而可能下降。这一现象被称为梯度消失和梯度爆炸，它们会导致在训练过程中难以有效地更新网络权重。

【深度学习】搞懂卷积神经网络(一)卷积神经网络是一种具有局部连接，权重共享等特性的深层前馈神经网络。一般是由卷积层，池化层，全连接层交叉堆叠而成，使用反向传播算法进行训练。卷积神经网络具有一定程度上的平移，缩放和旋转不变性，较前馈神经网络而言，其参数更少。

【隐私计算】Cheetah安全多方计算协议-阿里安全双子座实验室2PC-NN安全推理与实际应用之间仍存在较大性能差距，因此只适用于小数据集或简单模型。Cheetah仔细设计DNN，基于格的同态加密、VOLE类型的不经意传输和秘密共享，提出了一个2PC-NN推理系统Cheetah，比CCS'20的CrypTFlow2开销小的多，计算效率更快，通信效率更高。主要贡献有两点:

李沐动手学深度学习：树叶分类竞赛视频地址：30 第二部分完结竞赛：图片分类【动手学深度学习v2】竞赛地址：https://www.kaggle.com/competitions/classify-leaves

动手学深度学习7.6 残差网络（ResNet）-笔记&练习（PyTorch）本节课程地址：29 残差网络 ResNet【动手学深度学习v2】_哔哩哔哩_bilibili 29.2 ResNet为什么能训练出1000层的模型【动手学深度学习v2】_哔哩哔哩_bilibili

基于深度学习的图像特征优化识别复杂环境中的果蔬【多种模型切换】基于深度学习的图像识别技术广泛应用果蔬分类和质检，助力智慧农业发展。当前果蔬图像识别研究集中在单一或无背景环境的图像，通过纹理、颜色等特征提取，利用浅层学习技术，实现图像识别。本项目聚焦果蔬运输、超市零售复杂环境中，包装袋和保鲜膜内附水珠等视觉挑战下的果蔬精准识别。运用深度学习方法结合图像去雾、去雨水、去模糊等图像优化算法，设计基于深度学习的果蔬图像识别模型，并进行模型识别效果评价。旨在实现复杂背景环境下的果蔬种类、新鲜程度、残缺程度等自动识别、分类和腐败提醒，以应用于复杂环境下农产品的自动化无人销售、运