卷积神经网络（CNN）：图像识别的强大工具
目录 1. 引言 2.卷积神经网络的基本原理 2.1.输入层 2.2.卷积层 2.3.池化层 2.4.激活层 2.5.全连接层（可选） 2.6.输出层 3.卷积神经网络的基本结构 4.卷积神经网络的训练过程 5.代码示例 6.总结 1. 引言 在图像处理与计算机视觉领域，卷积神经网络（CNN）已成为一种强大的工具，广泛应用于图像识别、目标检测、人脸识别等任务中。本文旨在介绍...
图神经网络实战（6）——使用PyTorch构建图神经网络
图神经网络实战（6）——使用PyTorch构建图神经网络 0. 前言1. 传统机器学习与人工智能2. 人工神经网络基础2.1 人工神经网络组成2.2 神经网络的训练 3. 图神经网络4. 使用香草神经网络执行节点分类4.1 数据集构建4.2 模型构建4.3 模型训练 5. 实现香草图神经网络执行节点分类5.1 图神经网络基本原理5.2 实现香草图神经网络 小结系列链接 0. 前言 图数据集通常比简单的连...
YoloV8改进策略：Neck和Head改进|ECA-Net：用于深度卷积神经网络的高效通道注意力|多种改进方法|附结构图
摘要 本文使用ECA-Net注意力机制加入到YoloV8Neck和Head中。我尝试了多种改进方法，并附上改进结果，方便大家了解改进后的效果，为论文改进提供思路。 论文：《ECA-Net：用于深度卷积神经网络的高效通道注意力》 arxiv.org/pdf/1910.03151.pdf 最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。然而，大多数现有方法致力于开发更复杂的注...
YoloV8改进策略：BackBone改进|ECA-Net：用于深度卷积神经网络的高效通道注意力
摘要 本文使用ECA-Net注意力机制加入到YoloV8中。我尝试了多种改进方法，并附上改进结果，方便大家了解改进后的效果，为论文改进提供思路。 论文：《ECA-Net：用于深度卷积神经网络的高效通道注意力》 arxiv.org/pdf/1910.03151.pdf 最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。然而，大多数现有方法致力于开发更复杂的注意模块以实现更好...
机器学习 - 神经网络分类
eLU 函数定义：f(x) = max(0, x)，x为输入 该函数特点： 非线性：尽管ReLU函数在 x <= 0 时输出固定值为零，但在 x > 0 时输出与输入成正比，因此具有非线性特性，有助于神经网络学习复杂的非线性关系。稀疏性：在神经网络的训练过程中，由于ReLU函数在 x <= 0 时输出为零，因此某些神经元会被“关闭”，这意味着它们不会对网络的输出产生影响，使得网络的稀疏性增加，有助于减少过...
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（五）—— Dropout和批归一化
Dropout和批归一化是深度学习领域中常用的正则化技术，旨在提高模型的泛化能力和防止过拟合。 批归一化是由Ioffe和Szegedy在2015年提出的一种归一化技术。它主要解决深度神经网络中的内部协变量转移问题，即前一层的参数更新会影响到后一层的输入分布，使得训练过程变得复杂。批归一化通过在每一层的输入上进行归一化操作，将每一层的输入都尽量保持在较小的范围内，可以加快训练速度并提高模型的泛化能力。具体...
神经网络梯度下降优化参数
损失函数 神经网络的最终目的就是最小化损失函数的过程，损失函数越小，证明模型的预测值就越接近真实值。 梯度下降算法 为了最优化损失函数，开发了梯度下降算法，这里的梯度就是高等数学中的梯度。 误差反向传播算法 前向传播介绍 参数解释：这里的神经元阈值跟生物学中的神经兴奋类似，达到阈值以后就输出。连接权重表明了不同变量对于最终的输出结果的影响程度的不同。 首先用输入参数和连接权重的乘积减去阈值获得隐藏层值用...
神经网络中可训练参数的计算---LeNet5为例
文章目录 1. 基础公式2. 以LeNet5为案例分析2.1 架构图2.2 C1层2.3 S2层2.4 C3层2.5 S4层2.6 C5层2.7 F6层2.8 OUTPUT层： 1. 基础公式 这里就是有两个 3 3 3 通道的卷积核；或者理解成有 6 6 6 个 3 × 3 3×3 3×3。 从下图中可发现：偏置数量=输出通道数；卷积核种类=输出通道数。 2. 以LeNet5为案例分析 2.1 架...
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（二）—— 深度神经网络
概述 深度神经网络（Deep Neural Network，DNN）是一种机器学习模型，由多个神经网络层组成，每层都包含多个神经元节点。相比浅层神经网络，深度神经网络具有更多的隐藏层，能够处理更复杂的问题。 深度神经网络的核心思想是通过多层非线性变换来逐步提取输入数据的高级特征表示。每一层的神经元通过权重和偏置进行计算，并通过激活函数进行非线性映射。数据从输入层经过多个隐藏层传递，最终输出一个预测结果。...
机器学习——卷积神经网络中的其他类型
机器学习——卷积神经网络中的其他类型 卷积神经网络（Convolutional Neural Networks, CNNs）是深度学习领域中最重要的技术之一，它在图像处理、语音识别、自然语言处理等领域取得了巨大成功。在CNN中，卷积层是最核心的组成部分之一，而卷积操作又有许多不同类型，本文将重点介绍其中的两种特殊类型：空洞卷积和转置卷积。 1. 空洞卷积（Dilated Convolution） 空洞卷...