深度学习

1、简介   我们提出了一种用于图像分类的简单、高度模块化的网络架构。我们的网络是通过重复一个构建块来构建的，该构建块聚合了一组具有相同拓扑的转换。我们简单的设计产生了一个同构的多分支架构，只需设置几

1、论文摘要   目前，神经网络架构设计主要由计算复杂度的间接度量，即 FLOPs 指导。然而，直接指标（例如速度）还取决于其他因素，例如内存访问成本和平台特性。因此，这项工作建议评估目标平台上的直接

1、论文摘要   我们引入了一个高效计算的CNN结构名字叫做shuffleNet，这个结构被设计用来解决部署算力非常有限的移动设备问题，这个新的结构使用了两个新的操作,pointwise group

1、摘要   为移动设备设计卷积神经网络 (CNN) 具有挑战性，因为移动模型需要小而快，但仍要准确。尽管在所有维度上都致力于设计和改进移动 CNN，但当需要考虑如此多的架构可能性时，很难手动平衡这些

1、SeNet简介   SENet 是 ImageNet Challenge 图像识别比赛 2017 年的冠军，是来自 Momenta 公司 的团队完成。他们提出了 Squeeze-and-Excit

1、Xception简介   Xception是对Inception-V3的另一种改进版本，这两种网络的参数量都差不多。 1.1 初始假设   Inception 模块背后的想法是通过明确地将其分解为

Inception-v3 结构的复杂程度以后够复杂了，但是它还有几个升级版本，就是 Inception-v4，Inception-ResNet-v1 和 Inception-ResNet-v2。这几个

1、GoogleNet简介   GoogleNet 是 2014 年 ImageNet Challenge 图像识别比赛的冠军。从它的名字我们就 可以看出是来自谷歌的团队完成的。前面我们有介绍，Goo

1、网络架构   设计成上图的结构是因为当时算力不够，也没什么好用的深度学习开源框架。他们手上只有两个GTX580的3GB内存的GPU,为了加快模型的训练速度，所以将模型分为两个部分。一个GPU训练上

1、残差块   上图中的weight layer是3*3的卷积层；   F(x)表示经过连个卷积层计算后得到的结果;   identity表示“恒等映射”，也成为“shortcut connectio

1、MobileNetV1架构的缺陷： 没有残差连接 很多Depthwise卷积核训练出来结果是0. 2、MobileNetV1与MobileNetV2架构对比   MobileNetV1先使用3*3

1、简介   MobileNets基于一种流线型架构，使用深度可分离卷积构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地在延迟和准确性之间进行权衡。这些超参数允许模型生成器根据问题的

1、数据集介绍 总共5种花，按照文件夹区分花朵的类别。 2、代码实战 2.1 导入依赖 2.2 下载数据 2.3 统计数据集 查看下第1张图片 再查看下第2张图片 2.4 创建dataset 训练集：

一、数据集介绍 数据集下载地址：https://www.kaggle.com/datasets/carlosmiao/dogbreedidentification 二、实战 2.1 数据预处理 2.1

1、数据集说明   这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为https://git

1、数据集说明   这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为https://git

1、一维卷积英语电影评论情感分类项目 1.1 项目数据和模型说明   使用一 维卷积对英语文本进行情感分类。我们要使用的数据集是 IMDB 电影评论数据集，数 据分为正面评论和负面评论。这个数据集直接

1、变分自编码器   基本的自编码器本质上是学习输入𝒙和隐藏变量𝒛之间映射关系，它是一个判别模型 (Discriminative model)，并不是生成模型(Generative model)。那么

1、自编码器原理   先考虑有监督学习中神经网络的功能： $$ o=f_\theta (x),x\in R^{d_{in}}, o\in R^{d_{out}} $$   $d_{in}$是输入的特征

1、简介   我们这里使用张量的基本操作去完成三层神经网络的实现： $$ out=ReLU(ReLu(ReLU(X@W_1+b_1)@W_2+b_2)@W_3+b3) $$   采用的数据集是MNIS