2018年12月21日
FCN的理解
摘要： FCN特点 1.卷积化 即是将普通的分类网络丢弃全连接层，换上对应的卷积层即可 2.上采样 方法是双线性上采样差 此处的上采样即是反卷积3.因为如果将全卷积之后的结果直接上采样得到的结果是很粗糙的，所以作者将不同池化层的结果进行上采样之后来优化输出 3.跳跃结构： 现在我们有1/32尺寸的heatM 阅读全文
posted @ 2018-12-21 18:11 you-wh 阅读(6524) 评论(0) 推荐(0) 编辑
卷积神经网络的部分知识理解
摘要： 为什么要经过非线性化？因为没有激励函数的神经网络只能逼近线性的函数而不能逼近任意函数，神经网络的本质其实是一个参数待定的函数卷积神经网络参数共享：神经元用于连接数据窗的权重是固定的，这意味着，对同一个神经元而言，不论上一层数据窗口停留在哪个位置，连接两者之间的权重都是同一组数。那代表着，上面的例子中 阅读全文
posted @ 2018-12-21 11:09 you-wh 阅读(335) 评论(0) 推荐(0) 编辑
2018年12月16日
不常见算法的介绍
摘要： AE算法 算法的主要思想是根据H3A统计值，调整曝光至目标亮度，若达到目标亮度后，除非统计值超过阈值后才会重新调整曝光。 DBM算法 深度玻尔兹曼机 阅读全文
posted @ 2018-12-16 21:48 you-wh 阅读(246) 评论(0) 推荐(0) 编辑
如何对模型进行优化
摘要： 1.使用交叉验证，提升模型的准确率 2.对数据进行良好的分析预处理 3.修改评价函数，评价模型的优劣 4.多模型结果加权平均 5.最后的全连接层可以进行修改，加入池化或者别的 阅读全文
posted @ 2018-12-16 21:19 you-wh 阅读(1682) 评论(0) 推荐(0) 编辑
pytorch进行图像分类的流程，下一篇为实例源代码解析
摘要： 一、预处理部分 1.拿到数据首先对数据进行分析 对数据的分布有一个大致的了解，可以用画图函数查看所有类的分布情况。可以采取删除不合理类的方法来提高准确率； 对图像进行分析，在自定义的图像增强的多种方式中，尝试对图像进行变换，看是否存在主观上的特征增强，具体的增强 方法在aug.py文件中，可以在线下 阅读全文
posted @ 2018-12-16 20:42 you-wh 阅读(3542) 评论(0) 推荐(0) 编辑
2018年12月13日
实验源码，DES,AES,RSA,椭圆曲线
摘要： https://pan.baidu.com/s/1CPA-bnLmcJR_AFsNImhUjQ 阅读全文
posted @ 2018-12-13 21:24 you-wh 阅读(372) 评论(0) 推荐(0) 编辑
2018年12月12日
交叉验证
摘要： K层交叉检验就是把原始的数据随机分成K个部分。在这K个部分中，选择一个作为测试数据，剩下的K-1个 作为训练数据。 交叉检验的过程实际上是把实验重复做K次，每次实验都从K个部分中选择一个不同的部分 作为测试数据（保证K个部分的数据都分别做过测试数据），剩下的K-1个当作训练数据进行实验，最后把 得到 阅读全文
posted @ 2018-12-12 19:42 you-wh 阅读(276) 评论(0) 推荐(0) 编辑
Sklearn的使用
摘要： 初步接触要求时，从上图选自己数据所适用的方法， 首先看数据的样本是否 >50，小于则需要收集更多的数据 然后看问题适合分类、回归、聚类、降维中的哪一大类 Sklearn解决问题的一般步骤： 1.导入模块 2.建立数据集 3.选择合适模型，进行fit，选择-训练-预测 4.评价模型 保存模型： 阅读全文
posted @ 2018-12-12 14:58 you-wh 阅读(206) 评论(0) 推荐(0) 编辑
RNN通俗理解
摘要： 让数据间的关联也被 NN 加以分析，我们人类是怎么分析各种事物的关联,？最基本的方式,就是记住之前发生的事情. 那我们让神经网络也具备这种记住之前发生的事的能力. 再分析 Data0 的时候, 我们把分析结果存入记忆. 然后当分析 data1 的时候, NN会产生新的记忆, 但是新记忆和老记忆是没有 阅读全文
posted @ 2018-12-12 11:01 you-wh 阅读(521) 评论(0) 推荐(0) 编辑
卷积神经网络通俗理解
摘要： 具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息,每一次收集的时候都只是收集一小块像素区域, 然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在 以同样的步骤, 用类似的批量过滤器扫过产生的 阅读全文
posted @ 2018-12-12 10:53 you-wh 阅读(496) 评论(0) 推荐(0) 编辑
Fork me on GitHub