- 信道编码在通信系统中的位置和作用 信道编码的基本分类分组码和卷积码（依据构造，编译码过程，性能指标）。三种主要的信道编译码原理线性分组码循环码卷积码了解其他类型的信道编码以及相关编码界限信道编码的性能分析信道编码的发展与应用 一、信道编码的基本概念实际信道中传输数字信号时，由于信道传输特性的不理想及加性噪声的影响，我们接收到的数字信号不可避免地会发生错误。合理设计基带信号， 选择调制解调方... 信道编码在通信系统中的位置和作用 信道编码的基本分类分组码和卷积码（依据构造，编译码过程，性能指标）。三种主要的信道编译码原理线性分组码循环码卷积码了解其他类型的信道编码以及相关编码界限信道编码的性能分析信道编码的发展与应用 一、信道编码的基本概念实际信道中传输数字信号时，由于信道传输特性的不理想及加性噪声的影响，我们接收到的数字信号不可避免地会发生错误。合理设计基带信号， 选择调制解调方...
- 1. 什么是卷积卷积层是一组平行的特征图（feature map），它通过在输入图像上滑动不同的卷积核并运行一定的运算而组成。此外，在每一个滑动的位置上，卷积核与输入图像之间会运行一个元素对应乘积并求和的运算以将感受野内的信息投影到特征图中的一个元素。这一滑动的过程可称为步幅 ，步幅是控制输出特征图尺寸的一个因素。卷积核的尺寸要比输入图像小得多，且重叠或平行地作用于输入图像中，一张特征图中的... 1. 什么是卷积卷积层是一组平行的特征图（feature map），它通过在输入图像上滑动不同的卷积核并运行一定的运算而组成。此外，在每一个滑动的位置上，卷积核与输入图像之间会运行一个元素对应乘积并求和的运算以将感受野内的信息投影到特征图中的一个元素。这一滑动的过程可称为步幅 ，步幅是控制输出特征图尺寸的一个因素。卷积核的尺寸要比输入图像小得多，且重叠或平行地作用于输入图像中，一张特征图中的...
- 这篇文章主要工作是：将原先的Stack GAN的两阶段的堆叠结构改为了树状结构。包含有多个生成器和判别器，它们的分布像一棵树的结构一样，并且每个生成器产生的样本分辨率不一样。另外对网络结构也进行了改进。文章被2017年ICCV（International Conference on Computer Vision）会议录取。论文地址： https://arxiv.org/pdf/1710.1... 这篇文章主要工作是：将原先的Stack GAN的两阶段的堆叠结构改为了树状结构。包含有多个生成器和判别器，它们的分布像一棵树的结构一样，并且每个生成器产生的样本分辨率不一样。另外对网络结构也进行了改进。文章被2017年ICCV（International Conference on Computer Vision）会议录取。论文地址： https://arxiv.org/pdf/1710.1...
- 深度学习：VGG（Vision Geometrical Group）论文详细讲解 前置知识Lenet-5服装分类卷积神经网络详细指南SGD+动量法反向传播公式推导 VGG模型 概述vgg原文💡虽然AlexNet证明深层神经网络卓有成效，但它没有提供一个通用的模板来指导后续的研究人员设计新的网络。与芯片设计中工程师从放置晶体管到逻辑元件再到逻辑块的过程类似，神经网络架构的设计也逐渐变得更加... 深度学习：VGG（Vision Geometrical Group）论文详细讲解 前置知识Lenet-5服装分类卷积神经网络详细指南SGD+动量法反向传播公式推导 VGG模型 概述vgg原文💡虽然AlexNet证明深层神经网络卓有成效，但它没有提供一个通用的模板来指导后续的研究人员设计新的网络。与芯片设计中工程师从放置晶体管到逻辑元件再到逻辑块的过程类似，神经网络架构的设计也逐渐变得更加...
- 3种线性滤波：方框滤波、均值滤波、高斯滤波 高斯滤波： 1.定义图像滤波，即在尽量保留图像细节特征的条件下对噪声进行抑制，通过抑制高频段来减少噪音，同时会造成图像一定程度上的模糊，这也叫做平滑或者低通滤波器；进行平滑时，邻域内不同位置的像素被赋予不同的权值，对图像进行平滑的同时，同时能够更多的保留图像的总体灰度分布特征。对于高斯核主要有两个参数：高斯核的大小、离散程度σ。可以知道：为了尽可... 3种线性滤波：方框滤波、均值滤波、高斯滤波 高斯滤波： 1.定义图像滤波，即在尽量保留图像细节特征的条件下对噪声进行抑制，通过抑制高频段来减少噪音，同时会造成图像一定程度上的模糊，这也叫做平滑或者低通滤波器；进行平滑时，邻域内不同位置的像素被赋予不同的权值，对图像进行平滑的同时，同时能够更多的保留图像的总体灰度分布特征。对于高斯核主要有两个参数：高斯核的大小、离散程度σ。可以知道：为了尽可...
- 本文已收录于Opencv系列专栏： 深入浅出OpenCV ，专栏旨在详解Python版本的Opencv，为计算机视觉的开发与研究打下坚实基础。免费订阅，持续更新。 数字图像 1.数字图像概念数字图像：数字图像，又称数码图像，一幅二维图像可以由一个数组或矩阵表示。数字图像可以理解为一个二维函数f(x,y), 其中 x 和 y 是空间平面坐标，而在任意坐标处的值 f 称为图像在该点处的强度或灰度... 本文已收录于Opencv系列专栏： 深入浅出OpenCV ，专栏旨在详解Python版本的Opencv，为计算机视觉的开发与研究打下坚实基础。免费订阅，持续更新。 数字图像 1.数字图像概念数字图像：数字图像，又称数码图像，一幅二维图像可以由一个数组或矩阵表示。数字图像可以理解为一个二维函数f(x,y), 其中 x 和 y 是空间平面坐标，而在任意坐标处的值 f 称为图像在该点处的强度或灰度...
- @TOC 简介Hello！非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～ ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！ 唯有努力💪 【每日一读】每天浅读一篇论文，了解专业前沿知识，培养阅读习惯... @TOC 简介Hello！非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～ ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！ 唯有努力💪 【每日一读】每天浅读一篇论文，了解专业前沿知识，培养阅读习惯...
- 灰色预测模型预测题目的套路和思路：年份序列不能通过时间序列分解SSE误差平方和：参考博客：https://www.cnblogs.com/DjangoBlog/p/9575360.html 灰色预测模型（微分方程基础上的，GM(1,1)实质就是一个指数模型）：对灰色系统的一个分析，系统也可以称为数据集，灰色的含义为系统的部分信息已知，部分信息未知。（在一定范围内变化的，与时间有关的灰色过程进... 灰色预测模型预测题目的套路和思路：年份序列不能通过时间序列分解SSE误差平方和：参考博客：https://www.cnblogs.com/DjangoBlog/p/9575360.html 灰色预测模型（微分方程基础上的，GM(1,1)实质就是一个指数模型）：对灰色系统的一个分析，系统也可以称为数据集，灰色的含义为系统的部分信息已知，部分信息未知。（在一定范围内变化的，与时间有关的灰色过程进...
- 一、如何将图像数据改成序列数据？如何加入RNN系列程序，以改进图片分类的性能？ 二、不同的RNN细胞结构、不同的RNN整体结构，对分类性能有什么影响？ 三、nn.dynamic_rnn输出的final_state.h和output[:,-1,:]是否是相同的？ 一、如何将图像数据改成序列数据？如何加入RNN系列程序，以改进图片分类的性能？ 二、不同的RNN细胞结构、不同的RNN整体结构，对分类性能有什么影响？ 三、nn.dynamic_rnn输出的final_state.h和output[:,-1,:]是否是相同的？
- 神经网络问题研究及彻底分析： 1.根据期望输出和对应的输入，来构建三层网络模型，分析权值调整的全部过程。 问题分析及研究过程:1.三层模型，实际上只有两层计算，因为最下一层为数据输入层，第二层做数据处理后传递给第三层，第三层继续处理数据后输出预测值。2.通过期望输出和第三层预测值的差值，改变第一到第二层，第二到第三层的权值即可。3.分析此题结构：首先数据输入为X=（-1，1，3）,我们把他... 神经网络问题研究及彻底分析： 1.根据期望输出和对应的输入，来构建三层网络模型，分析权值调整的全部过程。 问题分析及研究过程:1.三层模型，实际上只有两层计算，因为最下一层为数据输入层，第二层做数据处理后传递给第三层，第三层继续处理数据后输出预测值。2.通过期望输出和第三层预测值的差值，改变第一到第二层，第二到第三层的权值即可。3.分析此题结构：首先数据输入为X=（-1，1，3）,我们把他...
- 神经网络第一次程序实验 神经网络第一次程序实验
- @TOC 🍉零、引言本文完成于2022-07-02 22:22:27。 博主刚开始在瑞芯微ITX-3588J-8K的开发板上跑了官方的yolov5目标检测算法，检测了ip相机rtsp视频流，但是每帧处理需要833ms左右，和放PPT一样。本来想使用tensorrt进行加速推理，但前提需要cuda，rk的板子上都是arm的手机gpu，没有nvidia的cuda，所以不能这样适配。那么转过来，... @TOC 🍉零、引言本文完成于2022-07-02 22:22:27。 博主刚开始在瑞芯微ITX-3588J-8K的开发板上跑了官方的yolov5目标检测算法，检测了ip相机rtsp视频流，但是每帧处理需要833ms左右，和放PPT一样。本来想使用tensorrt进行加速推理，但前提需要cuda，rk的板子上都是arm的手机gpu，没有nvidia的cuda，所以不能这样适配。那么转过来，...
- 神经网络算法研究和分析 神经网络算法研究和分析
- @toc 摘要本文通过对植物幼苗分类的实际例子来感受一下超大核的魅力所在。这篇文章能让你学到：通过对论文的解读，了解RepLKNet超大核的设计思想和架构。如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？如何调用自定义的模型？如何使用混合精度训练？如何使用梯度裁剪防止梯度爆炸？如何使用DP多显卡训练？如何绘制loss和acc曲线？如何生成v... @toc 摘要本文通过对植物幼苗分类的实际例子来感受一下超大核的魅力所在。这篇文章能让你学到：通过对论文的解读，了解RepLKNet超大核的设计思想和架构。如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？如何调用自定义的模型？如何使用混合精度训练？如何使用梯度裁剪防止梯度爆炸？如何使用DP多显卡训练？如何绘制loss和acc曲线？如何生成v...
- 摘要pytoch代码：https://github.com/DingXiaoH/RepLKNet-pytorch论文翻译：https://wanghao.blog.csdn.net/article/details/124875771?spm=1001.2014.3001.5502RepLKNet的作者受vision transformers (ViT) 最新进展的启发,提出了31×31的超... 摘要pytoch代码：https://github.com/DingXiaoH/RepLKNet-pytorch论文翻译：https://wanghao.blog.csdn.net/article/details/124875771?spm=1001.2014.3001.5502RepLKNet的作者受vision transformers (ViT) 最新进展的启发,提出了31×31的超...
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