- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习——目标检测、图像分割、RNN与NLP
FCN中第6、7、8层都是通过1 × 1卷积得到的，第6层的输出是4096 × 7 × 7， 第7层的输出是4096 × 7 × 7 ，第8层的输出是1000 × 7 × 7,即1000个大小是 7 × 7的特征图（称为heatmap）。深度学习的核心算法是反向传播算法（Backpropagation Algorithm），其作用是根据模型的输出误差，自动调整模型参数，使得模型的预测结果更加准确。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。
2025-05-26 01:08:38
360
原创 第三周课程总结
召回率表示被正确划分为正例的个数占所有实际为正例的个数的比例。语义分割实例：FCN（Fully Convolutional Networks）是语义分割的经典方法，通过全卷积层对图像进行像素级别的分类，实现图像的语义分割。PASCAL VOC：目标分类、检测、分割的常用数据集，包含20类物体，如人、动物、交通工具等，常用的是PASCAL 2012版本。MNIST：由0-9的手写数字图片组成，包含60000个训练样本和10000个测试样本，每个样本为28x28像素的灰度图片。
2025-05-18 19:48:21
302
原创 第二章总结
神经生理学研究发现，人类等高等动物的视觉感知，首先对原始图像进行不同方向的滤波（卷积）。填充：就是在矩阵的边界上填充一些值，以增加矩阵的大小，通常用0 或者复制边界像素来进行填充，为了防止多次卷积后图像越变越小。五一假期结束后的一周，又继续开始神经网络与深度学习这门课程，本周讲解内容主要是卷积神经网络，下文将介绍掌握它所需要的基础知识。其中第二个卷积层的卷积核大小为5*5，通道数分别为：6个3通道、9个4通道、1个6通道。如RGB，如图所示，卷积核为3*3*3大小，每个卷积核有27个参数。
2025-05-12 00:26:16
262
原创 神经网络与深度学习 第一周知识总结
1940s-1960s（M-P模型）、1980s（BP算法）、2006年（深度学习爆发）。数学基础：线性代数（矩阵运算）、概率论（最大似然估计）、微积分（梯度下降）。大模型：GPT系列、扩散模型（如Stable Diffusion）。分析线性不可分问题（如XOR问题）的多层感知机（MLP）解决方案。输入特征（如房屋面积、房龄）与输出目标（如房价）的线性关系建模。无法解决非线性问题（如异或问题），需引入多层网络或核方法。Transformer：NLP（自注意力机制）。CNN：图像处理（卷积层提取局部特征）。
2025-05-03 19:24:23
321
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