- 博客(10)
- 收藏
- 关注
RSS订阅原创 注意力机制
query,value,key都代表句子中的每个单词；如下图，左边代表key/value,右边代表query权重系数指句中每个词与当前query代表的这个词关联程度。
2026-07-29 13:49:14
355
原创 神经网络（前、反向传播）
信号从输入层传到输出层，该网络的传播方式分为前向传播和反向传播。将信号传入模型，再经过运算得到输出。关系图如下：设w11,w13分别为x1,x2对h1的权重，w10为h1的偏置，通过线性变换得到传入h1的信号为：h2,o1,o2同理可得与前向传播恰恰相反，用于传输误差，优化模型（更新权重参数）。
2025-08-11 14:56:53
878
原创 全连接神经网络
常用图像大小通常达到224 *224*3或者更大，可见参数太多，全连接网络不适合复杂数据处理。此外，全连接网络只能获取全局信息，没有感知局部信息的能力。每个神经元都分别和上一层的所有神经元连接，构成全连接层，构成的网络叫全连接神经网络。神经网络作用：特征提取。假设网络有5个隐藏层，每个隐藏层有50个神经元。中间的隐藏层进行一层层的特征提取。补充：卷积神经网络构成。
2025-08-10 20:26:55
488
原创 池化层运算
计算方法：和卷积核一样，通过滑动窗口计算。平均池化：窗口内计算平均值输出；最大池化：最大值输出。最大池化作用：保留窗口最强信号输出，突出图像关键信息；平均池化作用：均匀的特征表示，有助于保留背景。池化层作用：所有特征信息浓缩为一个输出，提升平移不变性。池化后输出尺寸减小。
2025-08-10 17:05:32
309
原创 卷积核运算
步长：步长为几，每次卷积核就移动几格。步长越大，提取特征越稀疏，生成的特征图越小，运算量更小。压缩信息，减小输出尺寸，就需要较大的步长。经过卷积，图像逐渐变小。卷积核本质上是一个小型的矩阵（如3×3、5×5等），在处理数据时，它会与输入数据的局部区域进行卷积运算（即逐元素相乘后求和）。padding填充：padding为1，图像周围填充1个像素（四周多加一层）。每个通道分别卷积运算并求和，一个卷积核与输入卷积得到一个单通道输出。不同时，要分别代入宽、高计算。多个卷积核叠加构成卷积层。
2025-08-10 14:00:19
489
原创 Pycharm 安装库的方法
使用python 环境安装库，首先电脑只能有一个版本的python ，最好选择3.8-3.10的版本，版本太高会不兼容。并且注意不要把Python 下在其他程序下，也不要修改下载路径。打开pycharm,选择python解释器，再在左上角“主菜单”点击“设置”➡️“项目”➡️“Python 解释器”，即可查看软件包是否安装成功。若没有，可尝试更换python解释器。注意：解释器不要用PyTorch ，它只是深度学习框架，它本身也是一个包。Windows 系统下同时按“win+R”，输入cmd，即可安装库。
2025-08-02 14:58:29
472
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人