windmyself的专栏

输入的图片在计算机看来的是三维数据，三维分别是(C,H,W)。其中C （channel通道）= 3 （RGB红绿蓝）H代表输入图片的高度，W代表输入图片的宽度。上图右侧的87%，达不到100%是因为有些特征是共享的，所以达不到百分之100。上图中的y=w*x+b就是神经元里面的东西，其中x是输入，y是输出，b是一个常数（表示一个偏置），w是权重也就是卷积核里面的参数。...

1.神经元2. 神经网络3. 卷积操作3.1 单通道卷积3.2 多通道卷积3.3 多通道输出3.4 Batch[N, C, H, W]卷积核信息不变，卷积操作会多一定的倍数（和样本数有关）。4. 池化层池化是使用某一位置的相邻输出的总体统计特征代替网络在该位置的输出，其好处是当输入数据做出少量平移时，经过池化函数后的大多数输出还能保持不变。比如：当识别一张图像是否是人脸时，我们需要知道人脸左边有一只眼睛，右边也有一只眼睛，而不需要知道眼睛的精确

基于paddle2.0的模型的设计和开发第一种Sequential：线性的组网方式，这个可以快速的堆叠出一个网络模型；第二种Subclass：这个比Sequential更高级一点，可以自定义和组织自己想要的网络模型；第三种框架内置模型：使用例子：lenet = paddle.vision.models.LeNet()。...

神经元：神经网络中的每个节点称为神经元，由加权和、非线性变换（激活函数）组成。多层连接：大量的神经元按照不同的层次排布，形成多层的结构连接起来，即称为神经网络。反向传播：因为loss是在最后一个节点后的输出得到的（前向传播得到的），最后一个节点会得到一个梯度，但是前面的节点是没有的，所有需要把这个梯队不断地向前回传来更新前面的节点参数（梯度）。深度学习开发流程万能公式 如下图：...