野生蘑菇菌的博客

通俗易懂理解计算cnn中的感受野”市面上的解释“分析 ”市面上的解释“ 直观来看就是下面这种金字塔状的形式。 链接1 计算起来推荐正向计算法，比较好理解。 链接2 分析 1、从最基本的来看，layor0经过一次“卷积”以后（layor1）。kernel有多大，感受野就是多大。 2、一个元素身上背负的所有原始元素（只是原始元素）共同造就了一个新的元素，接下来卷积过程中，他将带着这些原始元素一起出发到下一层。 3、在下一层卷积的过程中，同样是kernel是多大，就有多少个伪感受野。 只不过这些是背负原始使命

首先上链接台大李宏毅助教讲解GNN图神经网络 图神经网络---台大李宏毅老师助理---听课笔记一、为什么要用图神经网络二、时域上的图神经网络三、频域上的图神经网络 一、为什么要用图神经网络 图神经网络和单纯神经网络一个很大的区别就是，图神经网络有节点和边的这种结构。 具体应用上，图神经网络可以识别具有图片，文字等结构信息。 比如识别一个人物的身份的任务就需要首先识别人，然后识别与之相关的其他人的信息（利用边连接），最后综合这些信息得出判断 二、时域上的图神经网络 1、 更新单个节点时，把邻居节点加起来，

池化层的感受野大小很少超过 3(避免池化过程过于激烈,造成信息的丢失,造成算法的性能变差）

。

目录引言一、原理《深度学习》中关于循环和递归网络笔记1、简介2、展开计算图3、循环神经网络4、莫烦python1、简介二、tensorflow实现三、总结 引言 因为前段时间在跟B站学习强化学习，其中提到过循环神经网络，于是在《深度学习》中学习了一点关于循环神经网络的知识，今天突然想再写以下代码，于是正好趁机整理下关于循环神经网络的知识。 一、原理 《深度学习》中关于循环和递归网络笔记 1、简介 ...

RNN之tensorflow-BasicLSTMCell+mnist手写字符数据集分类+github完整代码一、原理部分二、代码详解1、代码分析RNN_LSTM_Classfication.pysimple_RNN.py2、问题解决三、实验结果+github 一、原理部分 关于RNN的详细介绍，请看博文 关于LSTM： 我们知道RNN包含了之前任意时刻的输入，但是这样会造成梯度消失或者梯度爆炸，同...

题外话： 首先是一个因为版本升级带来的问题 TypeError: Fetch argument <function global_variables_initializer at 0x7f466563bc80> has invalid type <class 'function'>, must be a string or Tensor. (Can not convert ...

一、引言 之所以有这篇博客，可以说是对之前一段时间学习pthon以及tensorflow以及全连接神经网络的一个总结。