- 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直... 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直...
- 参考：https://www.cnblogs.com/pprp/p/12456403.html 池化操作(Pooling)是CNN中非常常见的一种操作，Pooling层是模仿人的视觉系统对数据进行降维，池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling)，在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减... 参考：https://www.cnblogs.com/pprp/p/12456403.html 池化操作(Pooling)是CNN中非常常见的一种操作，Pooling层是模仿人的视觉系统对数据进行降维，池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling)，在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减...
- 本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标... 本文是加州大学默塞德分校Ming-Hsuan Yang团队在动态滤波器卷积方面的工作，已被CVPR2021接收。本文针对标准卷积存在的两个问题：内容不可知与计算量大问题，提出了一种具有内容自适应且更轻量的解耦动态滤波器，它将常规动态滤波器拆分为空域动态滤波器与通道动态滤波器，这种拆分可以极大的降低参数量，并将计算量限定在深度卷积同等水平。在图像分类、目标...
- 量化是一种加速推理的技术，量化算子并且仅仅支持前向传递。Pytorch支持int8量化，相比于float32,模型的大小减少4倍，内存要求减少4倍。与float32计算相比，对int8计算的硬件支持通常快2到4倍。 大多数情况下，模型需要以float32精度训练，然后将模型转换为int8。如今，PyTorch支持在具有AVX2支持或者更高版本的x86 CPU... 量化是一种加速推理的技术，量化算子并且仅仅支持前向传递。Pytorch支持int8量化，相比于float32,模型的大小减少4倍，内存要求减少4倍。与float32计算相比，对int8计算的硬件支持通常快2到4倍。 大多数情况下，模型需要以float32精度训练，然后将模型转换为int8。如今，PyTorch支持在具有AVX2支持或者更高版本的x86 CPU...
- 原文：http://www.ilovematlab.cn/thread-443872-1-1.html Correlationconvolution相关 卷积 卷积定理：时域的卷积等于频域乘积 情况一，矩阵不拓展： p=[0,-1,0;-1,4,-1;0,-1,0];%矩阵1 x=magic(5);%矩阵2 a=conv2(x,p,'same');%卷... 原文：http://www.ilovematlab.cn/thread-443872-1-1.html Correlationconvolution相关 卷积 卷积定理：时域的卷积等于频域乘积 情况一，矩阵不拓展： p=[0,-1,0;-1,4,-1;0,-1,0];%矩阵1 x=magic(5);%矩阵2 a=conv2(x,p,'same');%卷...
- Tensorflow反卷积（DeConv）实现原理+手写python代码实现反卷积（DeConv） 理解： https://www.zhihu.com/question/43609045/answer/130868981 上一篇文章已经介绍过卷积的实现，这篇文章我们学习反卷积原理，同样，在了解反卷积原理后，在后面手写python代码实现反卷积。 反卷积用途：上采样... Tensorflow反卷积（DeConv）实现原理+手写python代码实现反卷积（DeConv） 理解： https://www.zhihu.com/question/43609045/answer/130868981 上一篇文章已经介绍过卷积的实现，这篇文章我们学习反卷积原理，同样，在了解反卷积原理后，在后面手写python代码实现反卷积。 反卷积用途：上采样...
- EfficientNetV2: Smaller Models and Faster Training paper: https://arxiv.org/abs/2104.00298 code（官方TF代码即将开源）: https://github.com/google/automl/efficientnetv2 code（大神PyTorch复现代码，刚刚... EfficientNetV2: Smaller Models and Faster Training paper: https://arxiv.org/abs/2104.00298 code（官方TF代码即将开源）: https://github.com/google/automl/efficientnetv2 code（大神PyTorch复现代码，刚刚...
- Alexnet，关于卷积神经网络，不同的网络算法，其实大家的框架是一样的，不一样的是大家的卷积层，也就是提取特征的过程。 整个算法的体系 Alexnet包含了八个学习层，五个卷积层和三个全连接层 conv1阶段 输入数据：卷积核：；步长：4；数量（也就是输出个数）：96卷积后数据：relu1后的数据：pool1的核：，步长：2pool1后... Alexnet，关于卷积神经网络，不同的网络算法，其实大家的框架是一样的，不一样的是大家的卷积层，也就是提取特征的过程。 整个算法的体系 Alexnet包含了八个学习层，五个卷积层和三个全连接层 conv1阶段 输入数据：卷积核：；步长：4；数量（也就是输出个数）：96卷积后数据：relu1后的数据：pool1的核：，步长：2pool1后...
- hourglassnet中文名称是沙漏网络，起初用于人体关键点检测，代码，https://github.com/bearpaw/pytorch-pose 后来被广泛的应用到其他领域，我知道的有双目深度估计，关于双目深度估计，自己最近会写一篇blog，这里先简单介绍一下。双目深度估计第一次用hourglassnet是在psmnet（https://github... hourglassnet中文名称是沙漏网络，起初用于人体关键点检测，代码，https://github.com/bearpaw/pytorch-pose 后来被广泛的应用到其他领域，我知道的有双目深度估计，关于双目深度估计，自己最近会写一篇blog，这里先简单介绍一下。双目深度估计第一次用hourglassnet是在psmnet（https://github...
- python绘制神经网络中的Sigmoid和Tanh激活函数图像(附代码) 最近在研究神经网络，用python绘制了一下常见的Sigmoid函数和Tanh函数，别的不多说，直接上代码： python绘制神经网络中的Sigmoid和Tanh激活函数图像(附代码) 最近在研究神经网络，用python绘制了一下常见的Sigmoid函数和Tanh函数，别的不多说，直接上代码：
- mean max 前向和反向传播 感觉平均迟化对值不太公平，应该加个权重，让算法自动去决定哪个 cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越... mean max 前向和反向传播 感觉平均迟化对值不太公平，应该加个权重，让算法自动去决定哪个 cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越...
- C3F：首个开源人群计数算法框架 导读：52CV曾经报道多篇拥挤人群计数相关的技术，比如最近的： CVPR 2019 | 西北工业大学开源拥挤人群数据集生成工具，大幅提升算法精度 开源地址： https://github.com/gjy3035/C-3-Framework 这个有个核心网络加自己的人数计数，比如resn... C3F：首个开源人群计数算法框架 导读：52CV曾经报道多篇拥挤人群计数相关的技术，比如最近的： CVPR 2019 | 西北工业大学开源拥挤人群数据集生成工具，大幅提升算法精度 开源地址： https://github.com/gjy3035/C-3-Framework 这个有个核心网络加自己的人数计数，比如resn...
- CNN解释器 这个可以看效果 https://poloclub.github.io/cnn-explainer/ GitHub https://github.com/poloclub/cnn-explainer 论文 https://arxiv.org/abs/2004.15004 CNN解释器 这个可以看效果 https://poloclub.github.io/cnn-explainer/ GitHub https://github.com/poloclub/cnn-explainer 论文 https://arxiv.org/abs/2004.15004
- 跟博士请教，分组卷积可以合并，如果是独立卷积，bn是通道的bn，可能不能合并？ 1. 为什么要合并BN层 在训练深度网络模型时，BN（Batch Normalization）层能够加速网络收敛，并且能够控制过拟合，一般放在卷积层之后。BN 层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然 BN 层在训练时起到了积极作用，然而，在网络前向推断时多了一些... 跟博士请教，分组卷积可以合并，如果是独立卷积，bn是通道的bn，可能不能合并？ 1. 为什么要合并BN层 在训练深度网络模型时，BN（Batch Normalization）层能够加速网络收敛，并且能够控制过拟合，一般放在卷积层之后。BN 层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然 BN 层在训练时起到了积极作用，然而，在网络前向推断时多了一些...
- 空间金字塔池化（Spatial Pyramid Pooling, SPP）原理和代码实现（Pytorch） 一、为什么需要SPP 首先需要知道为什么需要SPP。 我们都知道卷积神经网络(CNN)由卷积层和全连接层组成，其中卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是第一个全连接层，因此基本上所有的CNN都要求输入数据固定大小，例如著名的VG... 空间金字塔池化（Spatial Pyramid Pooling, SPP）原理和代码实现（Pytorch） 一、为什么需要SPP 首先需要知道为什么需要SPP。 我们都知道卷积神经网络(CNN)由卷积层和全连接层组成，其中卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是第一个全连接层，因此基本上所有的CNN都要求输入数据固定大小，例如著名的VG...
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