- 内积就是点乘，卷积先取反。 import numpy as np bb=[1,2]cc=[2,3] aa=np.dot(bb,cc) print(aa) dd= np.convolve([2,1],cc,'valid')print(dd) dd= np.convolve(bb,cc,'same')print(dd) dd= np.convolve(bb,cc,'ful... 内积就是点乘，卷积先取反。 import numpy as np bb=[1,2]cc=[2,3] aa=np.dot(bb,cc) print(aa) dd= np.convolve([2,1],cc,'valid')print(dd) dd= np.convolve(bb,cc,'same')print(dd) dd= np.convolve(bb,cc,'ful...
- 反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是： （1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程； （2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值... 反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是： （1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程； （2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值...
- 数字信号处理的主要数学工具是傅里叶变换．而傅里叶变换是研究整个时间域和频率域的关系。 快速傅里叶变换假定了时间信号是周期无限的。但在分析时，我们往往只截取其中的一部分，因此需要加窗以减小泄露。窗函数可以加在时域，也可以加在频域上，但在时域上加窗更为普遍。 不过，当运用计算机实现工程测试信号处理时，不可能对无限长的信号进行测量和运算，而是取其有限的时间片段进行分析。做... 数字信号处理的主要数学工具是傅里叶变换．而傅里叶变换是研究整个时间域和频率域的关系。 快速傅里叶变换假定了时间信号是周期无限的。但在分析时，我们往往只截取其中的一部分，因此需要加窗以减小泄露。窗函数可以加在时域，也可以加在频域上，但在时域上加窗更为普遍。 不过，当运用计算机实现工程测试信号处理时，不可能对无限长的信号进行测量和运算，而是取其有限的时间片段进行分析。做...
- pytorch方法测试——卷积（二维） 测试代码： import torchimport torch.nn as nn m = nn.Conv2d(2, 2, 3, stride=2)input = torch.randn(1, 2, 5, 7)output = m(input) print("输入图片(2张)：")print(input)print("卷积的权重：")p... pytorch方法测试——卷积（二维） 测试代码： import torchimport torch.nn as nn m = nn.Conv2d(2, 2, 3, stride=2)input = torch.randn(1, 2, 5, 7)output = m(input) print("输入图片(2张)：")print(input)print("卷积的权重：")p...
- 机器学习：一步步教你理解反向传播方法 时间 2016-09-13 00:35:59 Yong Yuan's blog 原文 http://yongyuan.name/blog/back-propagtion.html 主题 数据挖掘 ... 机器学习：一步步教你理解反向传播方法 时间 2016-09-13 00:35:59 Yong Yuan's blog 原文 http://yongyuan.name/blog/back-propagtion.html 主题 数据挖掘 ...
- http://blog.sina.com.cn/s/blog_7445c2940102wmrp.html 多维卷积与一维卷积的统一性（运算篇） 转载 2016-10-16 16:00:31 标签： 卷积 二维卷积 高维卷积 数学运算 信号与系统 本篇博文本来是想在下一篇博文中顺带提一句的，结果越写越多，那么索性就单独... http://blog.sina.com.cn/s/blog_7445c2940102wmrp.html 多维卷积与一维卷积的统一性（运算篇） 转载 2016-10-16 16:00:31 标签： 卷积 二维卷积 高维卷积 数学运算 信号与系统 本篇博文本来是想在下一篇博文中顺带提一句的，结果越写越多，那么索性就单独...
- 前面是max_pool第二个参数是卷积核，第三个参数是对应步长， import tensorflow as tf sess=tf.Session() x = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]) x = tf.reshape(x, [1, 3, 3, 1]) # give a shap... 前面是max_pool第二个参数是卷积核，第三个参数是对应步长， import tensorflow as tf sess=tf.Session() x = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]) x = tf.reshape(x, [1, 3, 3, 1]) # give a shap...
- 全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷... 全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷...
- 全卷积网络（FCN）与图像分割 从图像分类到图像分割 卷积神经网络（CNN）自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。 CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些... 全卷积网络（FCN）与图像分割 从图像分类到图像分割 卷积神经网络（CNN）自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。 CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些...
- LightCNN https://github.com/AlfredXiangWu/LightCNN 文章中提出了一种 Light CNN架构的卷积神经网络，适用于有大量噪声的人脸识别数据集; 提出了 maxout 的变体，叫做 Max-Feature-Map (MFM) maxout 使用多个特征图进行任意凸激活函数的线性... LightCNN https://github.com/AlfredXiangWu/LightCNN 文章中提出了一种 Light CNN架构的卷积神经网络，适用于有大量噪声的人脸识别数据集; 提出了 maxout 的变体，叫做 Max-Feature-Map (MFM) maxout 使用多个特征图进行任意凸激活函数的线性...
- Group Convolution分组卷积，最早见于AlexNet——2012年Imagenet的冠军方法，Group Convolution被用来切分网络，使其在2个GPU上并行运行，AlexNet网络结构如下： Convolution VS Group Convolution 在介绍Group Convolution前，先回顾下常规卷积... Group Convolution分组卷积，最早见于AlexNet——2012年Imagenet的冠军方法，Group Convolution被用来切分网络，使其在2个GPU上并行运行，AlexNet网络结构如下： Convolution VS Group Convolution 在介绍Group Convolution前，先回顾下常规卷积...
- 小模型中的一个代表作MobileNet v1，它是一种基于流水线结构，使用深度级可分离卷积构建的轻量级神经网络，并通过两个超参数的引入使得开发人员可以基于自己的应用和资源限制选择合适的模型，如下面的1和2 MobileNet是基于深度级可分离卷积构建的网络，其实这种结构最早是出现在GoogleNet v3的inception中，它是将标准卷积... 小模型中的一个代表作MobileNet v1，它是一种基于流水线结构，使用深度级可分离卷积构建的轻量级神经网络，并通过两个超参数的引入使得开发人员可以基于自己的应用和资源限制选择合适的模型，如下面的1和2 MobileNet是基于深度级可分离卷积构建的网络，其实这种结构最早是出现在GoogleNet v3的inception中，它是将标准卷积...
- 1 Attention 和 Self-Attention Attention的核心思想是：从关注全部到关注重点。Attention 机制很像人类看图片的逻辑，当看一张图片的时候，我们并没有看清图片的全部内容，而是将注意力集中在了图片的焦点上。大家看下面这张图自行体会： 对于CV中早期的Attention，例如：SENet，CBAM，通常... 1 Attention 和 Self-Attention Attention的核心思想是：从关注全部到关注重点。Attention 机制很像人类看图片的逻辑，当看一张图片的时候，我们并没有看清图片的全部内容，而是将注意力集中在了图片的焦点上。大家看下面这张图自行体会： 对于CV中早期的Attention，例如：SENet，CBAM，通常...
- 假设 输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N 假设 输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N
- 什么是全连接神经网络，怎么理解“全连接”？ 对n-1层和n层而言 n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。 全连接是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减... 什么是全连接神经网络，怎么理解“全连接”？ 对n-1层和n层而言 n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。 全连接是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签