再次出发的专栏

目录嵌入层卷积和池化层dropout 层 初步介绍一下由tesorflow 实现的 cnn 结构 以下结构，包含一个嵌入层，3个卷积-池化层，dropout 层，输出层； def neural_network(): # embedding layer with tf.device('/cpu:0'), tf.name_scope("embedding"): embe...

只整理关键点 属于语义分割范畴，语义分割需要分割每个像素到指定类别上，并组合成几个有意义的目标，打上标签，应用场景： 自动驾驶 医疗辅助 deeplab1 & 2 dcnn 粗分割，计算大致位置 CRF 精分割 标准的 dcnn 输出特征分辨率小+对输入变换具有内在不变性，deeplab 引入了空洞卷积（atrous conv, 解决分辨率问题）+ CRF（解决精分割问题）。 C...

单通道卷积 这个不需多说，网上都是 多通道卷积 输入多通道的图，卷积核也采用相同的通道数，生成的多通道结果，将每个通道对应位置的值相加，即得到 feature map，n 个卷积核就对应生成 n 通道的 feature map; 这也是3 * 256 * 256 => 64 * 256 * 256变换的基础。 空洞卷积（dilated|atrous convolution） 详细参考 直观...