摘要：
7.5.1 训练深层网络 训练神经网络的实际问题： 数据预处理的方式会对最终结果产生巨大影响。 训练时，多层感知机的中间层变量可能具有更广的变化范围。 更深层的网络很复杂容易过拟合。 批量规范化对小批量的大小有要求，只有批量大小足够大时批量规范化才是有效的。 用 \(\boldsymbol{x}\i 阅读全文
posted @ 2023-09-22 18:51
AncilunKiang
阅读(189)
评论(0)
推荐(0)
摘要：
import torch from torch import nn from torch.nn import functional as F from d2l import torch as d2l 7.4.1 Inception块 GoogLNet 中的基本卷积块叫做 Inception 块（大概 阅读全文
posted @ 2023-09-21 07:50
AncilunKiang
阅读(162)
评论(0)
推荐(0)
摘要：
LeNet、AlexNet和VGG的设计模式都是先用卷积层与汇聚层提取特征，然后用全连接层对特征进行处理。 AlexNet和VGG对LeNet的改进主要在于扩大和加深这两个模块。网络中的网络（NiN）则是在每个像素的通道上分别使用多层感知机。 import torch from torch impo 阅读全文
posted @ 2023-09-20 08:45
AncilunKiang
阅读(160)
评论(0)
推荐(0)
摘要：
import torch from torch import nn from d2l import torch as d2l 7.2.1 VGG 块 AlexNet 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，如今研究人员转向了块的角度思考问题。通过使用循环和子程序，可以很容易地在任何现 阅读全文
posted @ 2023-09-19 15:44
AncilunKiang
阅读(181)
评论(0)
推荐(0)
摘要：
7.1.1 学习表征 深度卷积神经网络的突破出现在2012年。突破可归因于以下两个关键因素： 缺少的成分：数据 数据集紧缺的情况在 2010 年前后兴起的大数据浪潮中得到改善。ImageNet 挑战赛中，ImageNet数据集由斯坦福大学教授李飞飞小组的研究人员开发，利用谷歌图像搜索对分类图片进行预 阅读全文
posted @ 2023-09-18 08:23
AncilunKiang
阅读(138)
评论(0)
推荐(0)
摘要：
import torch from torch import nn from d2l import torch as d2l 6.6.1 LeNet LetNet-5 由两个部分组成： - 卷积编码器：由两个卷积核组成。 - 全连接层稠密块：由三个全连接层组成。 模型结构如下流程图（每个卷积块由一个 阅读全文
posted @ 2023-09-17 20:58
AncilunKiang
阅读(211)
评论(0)
推荐(0)
摘要：
import torch from torch import nn from d2l import torch as d2l 6.5.1 最大汇聚和平均汇聚 汇聚层和卷积层类似，区别在于汇聚层不带包含参数，汇聚操作是确定性的，通常计算汇聚窗口中所有元素的最大值或平均值，即最大汇聚和平均汇聚。 def 阅读全文
posted @ 2023-09-17 20:56
AncilunKiang
阅读(192)
评论(0)
推荐(0)
摘要：
import torch from d2l import torch as d2l 6.4.1 多输入通道 简言之，多通道即为单通道之推广，各参数对上即可。 def corr2d_multi_in(X, K): # 先遍历“X”和“K”的第0个维度（通道维度），再把它们加在一起 return sum 阅读全文
posted @ 2023-09-17 20:55
AncilunKiang
阅读(211)
评论(0)
推荐(0)
摘要：
6.3.1 填充 虽然我们用的卷积核较小，每次只会丢失几像素，但是如果应用多层连续的卷积层，累积的像素丢失就会很多。解决此问题的方法为填充。 填充后的输出形状将为 \((n_h-k_h+p_h+1)\times(n_w-k_w+p_w+1)\) import torch from torch imp 阅读全文
posted @ 2023-09-17 08:22
AncilunKiang
阅读(78)
评论(0)
推荐(0)
摘要：
import torch from torch import nn from d2l import torch as d2l 6.2.1 互相关计算 X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]]) K = t 阅读全文
posted @ 2023-09-16 09:13
AncilunKiang
阅读(146)
评论(0)
推荐(0)
浙公网安备 33010602011771号