墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
821平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网在很多图片分类竞赛中都取得了很好的效果，但卷积网调参过程很不直观，很多时候都是碰运气。为此，卷积网发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文，阐述了如何用反卷积网络可视化整个卷积网络，并进行分析和调优。由于课题研究需要使用卷积网，本人凭自己的理解将该文翻译成了中文，内容没有严格对齐原文，水平有限，难免出现大量错误，请大家包涵。
简单总结本文内容：当输入一张图片到卷积网中时，网络会逐级产生特征，但究竟是图片中的哪一部分刺激网络产生了特定特征，没法直接得到；作者想到了一种办法：将产生的特征通过反卷积技术，重构出对应的输入刺激，而重构的刺激只会显示真正有用东西，作者就可以通过分析这些信息来分析模型，实现模型调优。
原文地址：http://arxiv.org/pdf/1311.2901.pdf
Robocopy 参数进阶：/MIR 镜像同步与 /PURGE 删除操作的风险规避指南
本文深入解析Robocopy的/MIR镜像同步与/PURGE删除操作的高级用法及风险规避策略。通过实际案例和四重防护机制，指导用户安全实现目录同步，避免数据丢失风险，特别适用于远程主机间的数据复制与备份场景。
CNN基础知识笔记
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
电机控制必看！SVPWM谐波优化：5段式与7段式全参数对比测试
本文通过实测数据，对比分析了电机控制中5段式与7段式SVPWM控制算法的谐波性能。实验表明，7段式SVPWM在电流波形质量（THD）和低速性能上更优，而5段式SVPWM则在开关损耗和效率方面表现突出。文章为工程师在不同应用场景（如对噪音、效率或动态响应的侧重）下的算法选型提供了清晰的依据和实用的工程指南。
卷积神经网络 Convolutional Neural Network ｜ CNN
介绍了卷积神经网络的基本思想，应用场景，优缺点，建模过程中的注意事项，研究课题，实现的类库方法和代码案例等
华为硬件工程师笔试题
1、基尔霍夫定理的内容是什么?(仕兰微电子) 基尔霍夫定理包括电流定律和电压定律。 电流定律(KCL)：在集总电路中，任何时刻，对任一结点，所有流出结点的支路电流的代数和恒等于零。 电压定律(KVL)：在集总电路中，任何时刻，沿任一回路，所有支路电压的代数和恒等于零。 2、平板电容公式(C=εS/4πkd)。(未知) 3、最基本的如三极管曲线特性。(未知) 4、描述反馈电路...
基于迁移学习的花卉识别系统
本研究采用了预训练的经典深度学习模型，包括ResNet、AlexNet和VGG，通过微调的方式在Oxford-102数据集和一个自制花卉数据集上进行训练，并对图像进行了多种数据增强操作，以提高模型的泛化能力，致力于实现花卉的高效分类。
卷积神经网络CNN（Convolutional Neural Network）
卷积神经网络CNN
在树莓派5（8G版）上运行Ollama + LLM
直接上结论，Ollama在树莓派上能安装，且本身运行起来毫无压力，但具体到大语言模型，Deepseek似乎不总是最佳选择。
卷积神经网络（CNN）超详细介绍
文章转自：https://blog.youkuaiyun.com/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
Tessy学习系列（三）：单元测试——官方例程isValueInRange
注意：工程名称以及路劲不能包含空格和中文
如何让C++程序生成dump文件？生成dump文件的方式有哪些？如何使用Windbg分析dump文件？
本文详细介绍了如何让C++程序生成dump文件、生成dump文件的多种方式以及如何使用Windbg分析dump文件，并给出了对应的实战分析案例，有一定的实战参考价值。
卷积神经网络(超详细|配代码讲解)
展示的神经网络，我们看到输入层的宽度和高度对应于输入图像的宽度和高度，而它的深度为1。说卷积神经网络是最重要的一种神经网络也不为过，它在最近几年大放异彩，几乎所有图像、语音识别领域的重要突破都是卷积神经网络取得的，比如谷歌的GoogleNet、微软的ResNet等，打败李世石的AlphaGo也用到了这种网络。第一个全连接层的每个神经元，和上一层5个Feature Map中的每个神经元相连，第二个全连接层(也就是输出层)的每个神经元，则和第一个全连接层的每个神经元相连，这样得到了整个网络的输出。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
【可视化CNN】《Visualizing and Understanding Convolutional Networks》深入解析
0 为什么选择这篇Paper？ 2014年ECCV上的一篇经典文献：《Visualizing and Understanding Convolutional Networks》，可以说是可视化理解CNN领域的开山之作。 让炼丹师在调参或改动网络结构并提高最终的目标精度的时候，明白自己设计的CNN网络的每一层到底学习到了什么特征。 自2014年发表至今有2000多的引用量，学习这篇文章，可以很好的...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
[深度学习]Visualizing and Understanding Convolutional Networks阅读笔记
现在我需要用到深度学习做图像分类的任务，虽然之前对CNN有过一定的了解，但我还是第一次真正使用它来解决问题，相关论文看的也比较少，最近恶补了一下近几年比较有名的关于深度学习的论文，写到博客上总结一下，接下来应该会陆续写一个系列。 《Visualizing and Understanding Convolutional Networks》一文是Matthew和Rob两人在2013年发表的论文，文章的
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
Visualizing and Understanding Convolutional Networks
[可解释深度学习] 事后可解释模型介绍-DeconvNet
【论文阅读】Visualizing and Understanding Convolutional Networks
自之后，卷积神经网络越来越受到人们的关注并且取得了相当不错的成绩。ZFNet作者认为原因有三：1）带有标记的训练集越来越多，数据量越来越大；2）GPU性能的提升，使得训练大型神经网络成为可能；3）更好的正则化方法，例如。被称为ZFNet的原因在于两位作者的名字：Zeiler、Fergus。尽管卷积神经网络取得了如此令人振奋的进展，但对于这些复杂模型内部的操作和行为，以及它们是如何取得如此好的性能，仍然缺乏深入的了解。
“看懂”卷积神经网(Visualizing and Understanding Convolutional Networks)
在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网在很多图片分类竞赛中都取得了很好的效果，但很多人都不了解卷积网取得良好成绩的原因。为此，卷积神经网的发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文，详细地分析了卷积网的结构，对训练样本如何影响卷积网产生特征的过程进行了阐述。下面是这篇文章的中文翻译.
Visualizing and Understanding Convolutional Networks - 可视化和理解卷积网络 - 看懂卷积网络
Visualizing and Understanding Convolutional Networks 可视化和理解卷积网络 - 看懂卷积网络 Matthew D Zeiler, Rob Fergus Dept. of Computer Science, Courant Institute, New York University department [dɪ'pɑːtm(ə)nt]，dept....
【读论文】Visualizing and Understanding Convolutional Networks
在本篇文章中作者引入了一种新的可视化技术，该可视化技术可以揭示在模型的任何一层激发个体特征图的输入刺激，允许我们在模型训练期间观察特征的演变，用来深入了解中间特征层的功能和分类器的操作。这些可视化使我们能够找到比Krizhevsky等人在ImageNet分类基准测试中表现更好的模型架构。...
AI论文整理：ZFNet - Visualizing and Understanding Convolutional Networks
为解决卷积神经网络（CNN）内部工作机制不明确及性能优化难题，Zeiler和Fergus提出反卷积网络（Deconvnet）可视化技术，可将CNN中间层特征映射回输入像素空间，揭示特征激活的输入刺激；基于该技术诊断并改进CNN架构（如将第一层滤波器从11×11改为7×7、步长从4改为2），在ImageNet 2012数据集上实现测试Top-5错误率14.8%（超越Krizhevsky等人原模型）；同时发现CNN特征呈层级演化特性（低层3-5轮收敛，高层需40-50轮），且具备强泛化能力。
【CV+DL学习路02】CNN可视化学习2——Visualizing and Understanding Convolutional Networks
第二篇论文记录，对于第一次搜索文献的本小白和为图偷懒第一篇论文直接看的翻译的本童鞋来说，真的是。。。。做科研不能偷懒，不然后面是真有点麻烦，在经过了三天的谷歌加百度加优快云下载了10多篇文章不知道先看那一篇之后，我终于确定了要看的第二篇和第三篇论文。。。。也是无语了这篇论文这是我继Learning Deep Features for Discriminative Localization之后看的...
Visualizing and Understanding Convolutional Networks论文复现笔记
目录Visualizing and Understanding Convolutional Networks 论文复现笔记AbstractIntroductionApproachVisualization with a Deconvnet关于Deconvnet的实现Convnet Visualization对于一个给定的Feature map，论文中展示了最高的9个激活，并把每个激活投影到像素空...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
357
扫一扫
