candy任平生

摘要： 去噪自编码器模拟人类视觉机制能够自动忍受图像的噪声来识别图片。自编码器的目标是要学习一个近似的恒等函数，使得输出近似等于输入。去噪自编码器采用随机的部分带噪输入来解决恒等函数问题，自编码器能够获得输入的良好表征，该表征使得自编码器能进行去噪或恢复。 下面是代码： #加载库和配置参数 #去噪自编码器 阅读全文

摘要： 自编码器结构：输入->编码器->嵌入->解码器->输出 输入数据经过编码压缩得到低维度向量，这个部分称为编码器，因为它产生了低维度嵌入或者编码。网络的第二部分不同于在前向神经网络中把嵌入映射为输出标签，而是把编码器逆化，重建原始输入，这个部分称为解码器。 自编码器是一种类似PCA的神经网络，它是无监 阅读全文

摘要： 设计的CNN模型包括一个输入层，输入的是MNIST数据集中28*28*1的灰度图 两个卷积层， 第一层卷积层使用6个3*3的kernel进行filter，步长为1，填充1.这样得到的尺寸是（28+1*2-3)/1+1=28,即6个28*28的feature map 在后面进行池化，尺寸变为14*14 阅读全文

摘要： 1.LeNet LeNet是指LeNet-5，它是第一个成功应用于数字识别的卷积神经网络。在MNIST数据集上，可以达到99.2%的准确率。LeNet-5模型总共有7层，包括两个卷积层，两个池化层，两个全连接层和一个输出层。 import torch import torch.nn as nn fr 阅读全文

摘要： 使用的数据集是MNIST，预期可以达到98%左右的准确率。 该神经网络由一个输入层，一个全连接层结构的隐含层和一个输出层构建。 1.配置库和配置参数 import torch import torch.nn as nn import torchvision.datasets as dsets imp 阅读全文

摘要： 特征提取和分类是典型计算机视觉系统的两个关键阶段。视觉系统的准确性、稳健性和效率很大程度上取决于图像特征和分类器的质量。特征提取方法可以分为两个不同的类别，即基于手工的方法和基于特征学习的方法。分类器可以分为两组，即浅层模型和深层模型。 特征是任何独特的方面或特性，用于解决与特定应用相关的计算任务。 阅读全文

摘要： LSTM(Long Short-term Memory)，长短时记忆网络是1997年Hochreiter和Schmidhuber为了解决预测位置与相关信息之间的间隔增大或者复杂语言场景中，有用信息间隔有大有小、长短不一，造成循环神经网络性能受到限制而提出的。 LSTM是RNN的一种特殊类型，它可以学 阅读全文

摘要： 循环神经网络（Recurrent Neural NetWork,RNN）是一种将节点定向连接成环的人工神经网络，其内部状态可以展示动态时序行为。 循环神经网络的主要用途是处理和预测序列数据。循环神经网络最初就是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上来看，循环神经网络会记忆之前的信息 阅读全文

摘要： 卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，网络就具有输入、输出之间映射的能力。 其训练算法与传统的BP算法类似，主要分4步，可分为2个阶段： 第一阶段，前向传播阶段： （1 阅读全文

摘要： CNN的发展历程： 1962年，卷积神经网络的研究起源于Hubel和Wiesel研究毛脑皮层的发现局部互连网络可以有效降低反馈神经网络的复杂性。 1980年，CNN的第一个实现网络：Fukushima为解决模式识别问题基于神经元间的局部连通性和图像的层次组织转而提出的新识别机。 1998年，第一个多 阅读全文