BatchNormliaztion

最新推荐文章于 2025-07-27 21:37:11 发布
转载 最新推荐文章于 2025-07-27 21:37:11 发布 · 164 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/34879333
文章标签：

#深度学习

看了很多，下面这个讲的简单清楚，在看前可配合李宏毅和李沐的视频

Batch Normalization原理与实战 - 天雨粟的文章 - 知乎 https://zhuanlan.zhihu.com/p/34879333

浙大公开课—基于深度学习的特征匹配与姿态估计
xiaoxu的博客
07-27 519
本文探讨了基于深度学习的特征匹配与位姿估计方法。传统SIFT等手工特征在光照变化场景下表现不佳，而深度学习通过CNN网络提取语义信息，在特征匹配上展现出更好的鲁棒性。文章详细分析了深度学习特征提取流程，包括特征检测、描述子生成和匹配优化，并介绍了利用SfM数据集进行监督训练的策略。同时指出深度学习方法对几何变换（如旋转、缩放）的局限性源于卷积操作的平移不变性。最后介绍了位姿估计中2D-3D映射网络的应用及其在目标跟踪中的价值。
基于深度学习的胸部 X 光图像肺炎分类系统（二）
wh_xia_jun的专栏
07-24 741
不是固定公式：没有 “必须 21 层” 的规定，就像盖房子，3 层能住，5 层也能住，看需求。经验为主：人们发现处理这类 X 光片（中等复杂度的图片），用 4 个卷积块（16 层）+ 简单分类器（5 层）比较合适：少于 10 层：可能 “看不透” 细节（比如小的肺炎阴影抓不到）。多于 30 层：电脑要算很久，还可能 “想太多”（把正常的纹理当成肺炎特征）。试出来的：程序员可能一开始试了 10 层，发现效果不好（漏诊多）；又试了 30 层，发现太慢还容易错；最后调到 21 层，效果和效率比较平衡。
无源域自适应综合研究【2】
weixin_52201996的博客
07-24 1049
这篇论文为SFUDA领域提供了全面且系统的综述，不仅有助于研究人员快速了解该领域的研究现状和应用情况，还为未来的研究指明了方向。其分类方法和对未来方向的探讨具有重要的参考价值，可推动SFUDA在更多实际场景中的应用和发展。原文题目：Source-Free Unsupervised Domain Adaptation: Current research and future directions请大家自行搜索阅读原论文。
CNN实战案例：从图像识别到医疗诊断
keny-大成的博客
07-23 989
本文介绍了基于SpringBoot与CNN（卷积神经网络）的30个应用实例，涵盖图像识别、医疗诊断和工业检测等领域。主要内容包括：1）典型应用场景如MNIST手写识别、医疗影像分析等，提供关键代码示例；2）CNN核心组件（卷积层、池化层等）和工作原理；3）经典网络架构如LeNet、ResNet；4）模型部署方案与性能优化技巧。文章强调从基础示例入手，结合实际需求调整模型架构，为开发者提供完整的CNN应用实现参考方案。
基于深度学习的图像分类：使用ShuffleNet实现高效分类
qq_74383080的博客
07-27 637
本文介绍了基于ShuffleNet的轻量级图像分类方法。首先阐述了图像分类的定义和应用场景，包括医疗、自动驾驶等领域。重点分析了ShuffleNet的核心技术：点群卷积和通道混洗操作，这些设计在保证精度的同时显著降低了计算量。文章提供了完整的代码实现方案，包括数据预处理、模型加载、训练和评估流程，使用CIFAR-10数据集进行验证。实验表明，ShuffleNet在保持较高分类精度的同时，具有模型轻量化优势，特别适合移动和嵌入式设备应用。最后建议读者可以尝试扩展应用到其他数据集或改进模型架构。
深度学习篇---剪裁&缩放
道阻且长，行则将至。
07-25 959
深度学习图像预处理中，剪裁和缩放是关键操作：剪裁通过截取关键区域去除冗余信息，常用方法包括中心剪裁、随机剪裁和目标区域剪裁；缩放则通过插值算法统一图像尺寸，主要方法有最近邻、双线性和双三次插值。二者协同使用能有效提升模型训练效率和泛化能力，但需注意平衡细节保留与计算成本，避免过度处理导致特征丢失。实际应用中应根据任务需求选择合适的策略组合。
Inception网络架构：深度学习视觉模型的里程碑
2301_80338712的博客
07-25 869
本文深入探讨了谷歌研究团队开发的Inception网络架构，这一架构自2014年提出以来，对计算机视觉领域产生了深远影响。从最初的GoogLeNet（Inception v1）到后续的多个版本迭代，Inception系列网络不仅在ImageNet等图像分类竞赛中取得了卓越成绩，还引入了多个关键创新，如并行多尺度卷积结构、批量归一化技术和残差连接等。本文详细分析了Inception架构的演进历程、核心设计理念以及其在计算机视觉任务中的应用，同时探讨了该架构的优缺点及其对后续深度学习网络设计的启示。
【机器学习&深度学习】比较 LLaMA-Factory、vLLM 和 LMDeploy 的量化导出：为何 LLaMA-Factory 不是首选？
qq_62223405的博客
07-23 769
LLaMA-Factory 的量化导出功能受限于依赖复杂、格式支持少和量化质量优化不足，不适合高效部署。vLLM 提供灵活的量化支持和高吞吐量推理，但需外部工具预量化。LMDeploy 以 AWQ 量化和 TurboMind 引擎实现极致性能，部署流程简单，适合生产环境。开发者应根据硬件、推理需求和部署场景选择合适的工具，推荐优先考虑 LMDeploy 或 vLLM 以实现高效量化导出和推理。
多层感知机（深度学习-李沐-学习笔记）
gyeolhada的博客
07-25 928
多层感知机（深度学习-李沐-学习笔记）
开源深度学习新宠：Burn框架助您无忧高效建模
weixin_44626085的博客
07-23 880
摘要： Burn是一款基于Rust的新兴深度学习框架，以高性能、灵活性和跨平台支持为核心优势。其通过自动内核融合、异步执行、智能内存管理等技术优化计算效率，并支持多种硬件后端（如CUDA、Metal、Vulkan等）。Burn还提供线程安全训练、ONNX模型兼容性及浏览器推理能力，简化了从开发到部署的全流程。与TensorFlow/PyTorch相比，Burn凭借Rust的零成本抽象和所有权模型，在安全性与性能上表现突出，成为深度学习领域值得关注的新选择。
RNN模型数学推导过程（笔记）
niki_yang
07-25 249
RNN按顺序处理输入序列。每个序列元素在特定的t被输入网络。这是RNN的“记忆”或“状态”所在。它是一个向量（h_t），总结了从序列开始（t=0）到当前时间步t所处理过的所有信息。h_t被传递给下一个时间步t+1，用于计算h_{t+1}。在时间步t，网络接收该时间步的输入向量x_t。在时间步t，网络可以产生一个输出向量y_t（例如，预测下一个词、分类当前情绪等）。y_t通常基于当前的隐藏状态h_t计算得出。
深度学习（鱼书）day04--手写数字识别项目实战
weixin_66162442的博客
07-27 905
鱼书的相关源代码下载：点击链接：http://www.ituring.com.cn/book/1921点击“随书下载”第三项就是源代码：解压后，在pycharm（或其它IDE）中打开此文件夹查看或运行即可。（红框内是本人自建的文件）
定义损失函数并以此训练和评估模型
Frost_Descent的博客
07-24 1338
损失函数计算模型输出和目标之间的距离。Pytorch 中的 optim 包提供了各种优化算法的实现，例如SGD、Adam、RMSprop 等。通过torch.nn 包可以定义一个负对数似然损失函数，负对数似然损失对于训练具有多个类的分类问题比较有效，负对数似然损失函数的输入为对数概率，而在模型搭建的输出层部分接触过log_softmax，它能从模型中获取对数概率。break得到一个测试值定义一个Adam优化器，优化器的输入是模型参数和学习率。
线性神经网络（深度学习-李沐-学习笔记）
gyeolhada的博客
07-23 986
线性神经网络学习（深度学习-李沐-学习笔记）
回归预测 | MATLAB实现BiTCN双向时间卷积神经网络多输入单输出回归预测
最新发布
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
07-27 42
回归预测 | MATLAB实现BiTCN双向时间卷积神经网络多输入单输出回归预测
CNN正则化：Dropout与DropBlock对比
qq_45464126的博客
07-23 951
Dropout和DropBlock是CNN中常用的正则化技术，但存在显著差异。Dropout随机失活单个神经元，适用于全连接层但卷积层效果有限；而DropBlock丢弃特征图中的连续空间块，破坏空间局部性，强制模型学习更全局的特征，在图像分类、分割等任务中表现更优。两者推理时均需调整输出，但DropBlock专为卷积网络设计，通过块级失活提供更强的正则化效果。
【Pytorch实战教程】torchvision.datasets.ImageFolder的详细用法介绍
若北辰
07-25 66
【Pytorch实战教程】torchvision.datasets.ImageFolder的详细用法介绍
【神经网络概述】从感知机到深度神经网络（CNN & RNN）
weixin_40815218的博客
07-25 949
本文系统介绍了深度学习的核心神经网络模型及其应用。首先讲解了感知器和深度神经网络（DNN）的基础原理，包括前向传播、损失函数和反向传播等关键概念。接着重点解析了卷积神经网络（CNN）的结构特点、核心组件（卷积层、池化层）和经典模型（如LeNet、AlexNet等）。然后阐述了循环神经网络（RNN）及其改进模型（LSTM、GRU）在处理序列数据上的优势，并介绍了编码器-解码器架构。最后讨论了词嵌入技术，包括其原理、实现方法和典型模型（如word2vec）。全文涵盖了深度学习的主要网络架构和关键技术，为理解现代
深度学习中的Dropout技术
qq_45464126的博客
07-23 1084
摘要： Dropout是一种深度学习中常用的正则化技术，通过在训练时随机"丢弃"部分神经元（保留概率p通常为0.5），缓解过拟合。其核心原理是减少神经元间的共适应性和近似集成学习。测试时需保持输出期望一致，可采用Inverted Dropout（训练时缩放输出）简化计算。针对不同网络结构有SpatialDropout（CNN）、AlphaDropout（自归一化网络）等变体。Dropout简单高效，但会延长训练时间，且不适用于所有任务（如生成模型）。PyTorch等框架默认使用Inver
[深度学习] 大模型学习3下-模型训练与微调
You and Me
07-23 892
前面提到大语言模型发布时通常会推出基础版与对话版两个版本。其中，基础模型是经过大规模语料无监督预训练的模型，这类模型虽然学习了大量通用知识，但没有经过任何行为指导；而对话模型则是专门为用户交互构建的，通常采用提问与回答的格式，它是在基础模型的基础上，通过指令监督微调与基于人类反馈的强化学习进行优化得到的，能够与人进行对话，并且输出的结果更加符合预期、更易于控制，也更加安全。想让大语言模型理解并生成好的对话，需要给它一个清晰的“剧本”，这就是 Chat Template（聊天模板）。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值