摘要：
1. 摘要 在使用非常小（3×3）的卷积核情况下，作者对逐渐增加网络的深度进行了全面的评估，通过设置网络层数达 16 19 层，最终效果取得了显著提升。 2. 介绍 近来，卷积神经网络在大规模图像识别领域取得了巨大的成功，这一方面归功于大规模公开数据的出现，另一方面则是计算能力的提升。在 AlexN 阅读全文
posted @ 2019-04-20 12:17
seniusen
阅读(380)
评论(0)
推荐(0)
摘要：
1. 摘要 ReLU 相比 Tanh 能产生相同或者更好的性能，而且能产生真零的稀疏表示，非常适合自然就稀疏的数据。 采用 ReLU 后，在大量的有标签数据下，有没有无监督预训练模型取得的最好效果是一样的，这可以被看做是训练深层有监督网络的一个新的里程碑。 2. 背景 2.1. 神经元科学的观察 对 阅读全文
posted @ 2019-04-19 16:39
seniusen
阅读(1077)
评论(0)
推荐(0)
摘要：
1. 摘要 本文尝试解释为什么在深度的神经网络中随机初始化会让梯度下降表现很差，并且在此基础上来帮助设计更好的算法。 作者发现 sigmoid 函数不适合深度网络，在这种情况下，随机初始化参数会让较深的隐藏层陷入到饱和区域。 作者提出了一个新的参数初始化方法，称之为 Xavier 初始化，来帮助深度 阅读全文
posted @ 2019-04-18 10:31
seniusen
阅读(863)
评论(0)
推荐(0)
摘要：
1. 摘要 本文的模型采用了 5 层的卷积，一些层后面还紧跟着最大池化层，和 3 层的全连接，最后是一个 1000 维的 softmax 来进行分类。 为了减少过拟合，在全连接层采取了 dropout，实验结果证明非常有效。 2. 数据集 ImageNet 数据集包含了超过 15,000,000 大 阅读全文
posted @ 2019-04-17 10:10
seniusen
阅读(292)
评论(0)
推荐(0)
摘要：
1. 摘要 在 $ReLU$ 的基础上作者提出了 $PReLU$，在几乎没有增加额外参数的前提下既可以提升模型的拟合能力，又能减小过拟合风险。 针对 $ReLU/PReLU$ 的矫正非线性，作者设计了一个鲁棒的的参数初始化方法。 2. 介绍 在过去几年，随着更强大网络模型的构建和有效防止过拟合策略的 阅读全文
posted @ 2019-04-16 15:53
seniusen
阅读(641)
评论(0)
推荐(0)
摘要：
1. 题目 2. 解答 定义两个指针，刚开始分别指向 1 和 2，求出位于这两个指针之间的元素和。如果和大于 S，前面的指针向后移直到和不大于 S 为止；反之，如果和等于 S，则此时两个指针之间的元素序列即为一个所求的结果，后面的指针向后移动。 第一个指针的范围为 $[1, \frac{S+1}{2 阅读全文
posted @ 2019-03-30 13:46
seniusen
阅读(130)
评论(0)
推荐(0)
摘要：
1. 题目 2. 解答 由于数组是已经排好序的，我们可以定义两个指针，第一个指针指向第一个元素，第二个指针指向最后一个元素，然后求出这两个元素的和，与目标和进行比较。若小于目标和，第一个指针向前移动；若大于目标和，第二个指针向后移动。 若等于目标和，题目中要求输出乘积最小的。由于两个元素的乘积肯定小 阅读全文
posted @ 2019-03-30 13:43
seniusen
阅读(157)
评论(0)
推荐(0)
摘要：
1. 题目 2. 解答 时间复杂度为 $O(n)$ 的算法，顺序遍历数组，当该数字第一次出现时开始记录次数。 获取更多精彩，请关注「seniusen」! 阅读全文
posted @ 2019-03-30 13:43
seniusen
阅读(118)
评论(0)
推荐(0)
摘要：
20190314 一面 1. 自我介绍 2. 项目介绍 "2019 春季实习生招聘之项目介绍" 3. 了解过哪些 CV 领域 4. 一张图片多个类别怎么设计损失函数，多标签分类问题 5. SVM、决策树优缺点，非线性回归用什么方法，L1、L2 正则化区别 6. 链表归并快排 "LeetCode 14 阅读全文
posted @ 2019-03-30 13:40
seniusen
阅读(1041)
评论(0)
推荐(0)
摘要：
1. 题目 2. 解答 2.1 快速排序 可参考 "快速排序和归并排序" 中的第一种快速排序思想，与在数组中排序有两点不同。 第一，我们需要取最后一个元素作为主元，在数组中可以直接访问到最后一个元素，但在单链表中，我们需要 先遍历一遍链表才能访问到最后一个元素 。 第二，在数组中，利用主元将数组划分 阅读全文
posted @ 2019-03-28 20:55
seniusen
阅读(462)
评论(0)
推荐(0)
浙公网安备 33010602011771号