qq_45008831的博客

当一张图片被传到YOLO3的网络中时，手写被调整到416X416的大小，为了防止失真会在图像边缘加上微调，之后YOLO3会将这张图像分成13X13\26X26\52X52的网格，由于图像在多次卷积压缩后，小物体的特征容易消失，所以52X52的网格用于检测小物体，13X13的网格用于检测大物体。假设有一张猫的图片，由于猫是比较大的物体，它由13X13的网格检测，每个网格点负责其右下角区域的检测，如果物体的中心点落在这个区域，这个问题的位置就由这个网格点决定。总结而言，YOLO3不过是把一张图片划分形成不同的

Tensor+Flow=TensorFlowTensor：张量，数据Flow：流深度学习中的数据是按照一定的方向流动的，流动的同时会进行相关的运算。TensorFlow架构前端：编程模型、构造计算图、Python、C++、Java后端：运行计算图、C++为什么选择TensorFlow?高度的灵活性、真正的可移植性（底层采用C）、将科研和产品联系在一起、自动求微分、多语言支持、性能最优化、社区内容丰富。TensorFlow基本概念介绍Graph描述了计算过程（计算图，在前端完成），可以通

现在用卷积神经网络训练cifar10数据集(32X32)，搭建一个一层卷积、两层全连接的网络。使用6个5X5的卷积核，过2X2的池化和，池化步长是2，过128个神经元的全连接层，由于cifar10是10分类，所以最后还要过一个10个神经元的全连接层。搭建神经网络的八股口诀是：CBAPDC（核：655，步长：1，填充：same）B（Yes）A（ReLU）P（max，核：2*2，填充：same）D（0.2）（20%的神经元休眠）Flatten(把卷积送过来的神经元拉直，送入全连接层)Dense

什么是卷积？卷积是卷积神经网络中的关键运算步骤，下面举一个图像处理的例子来说明卷积。卷积核在输入的图像上移动，形成一个滑动窗口，进行卷积运算，进而输出一副新的图像，如下图所示。本例中采用的卷积核可以提取原始图像的边缘信息。什么是卷积神经网络？卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络最先在图像分类上获得应用，后来又在自然语言处理领域中获得较好的应用。卷积神经网络具有以下特点：1.局部卷积2.参数共享3.多卷积核4.池化操作5

import numpy as npw=[0,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65] #数组下标从0开始b=[0,0.35,0.65]l=[0,5,10]def sigmoid(z): return 1.0/(1+np.exp(-z))def bp(w,b,l): # 1.前向传播，计算预测值与误差 h1 = sigmoid(w[1] * l[1] + w[2] * l[2] + b[1]...

function [y] = linearInd2Binary(ind,nLabels)n = length(ind);% n为行数%使用{−1,1}对十个标签进行编码y = -ones(n,nLabels);for i = 1:n y(i,ind(i)) = 1;endind为5000X1 double型变量，存储标签0-9手写数字识别中，nLabels=10，因为是识别0-9十个数字...

输入5000张16X16的灰度图像。function [S, mu, sigma2] = standardizeCols(M, mu, sigma2)[nrows ncols] = size(M);M = double(M);if nargin < 2 %nargin函数输入参数数目 mu = mean(M); %方差 sigma2 = std(M); %标准差 ndx = find(sigma2 < eps);% 防止方差（分母）为0 sigma2(ndx) = 1