卷积神经网络(CNN)是deep learning的基础。传统的全连接神经网络(fully connected networks) 以数值作为输入。如果要处理图像相关的信息的话，要另外从图像中提取特征并采样。而CNN把提特征、下采样和传统的神经网络整合起来，形成一个新的网络。本博文已经假设你已经有了...
分类：
Web程序 时间：
2015-07-15 14:47:37
阅读次数：
275
1 引言作为曾经的iOS开发者，在研究深度学习的时候，总有一个想法就是在iPhone上运行深度学习，不管是在手机上训练还是利用训练好的数据进行测试。
因为iOS的开发环境支持C++，因此，只要你的代码是C/C++，本质上就可以在iOS上运行。
怎么才能更快更好地在iOS上运行CNN呢？2 方法1：通过Matlab转码Matlab自带转成c的工具，如果你研究过UFLDL的深度学习教程，就知道如何在...
分类：
移动开发 时间：
2015-07-14 22:40:08
阅读次数：
335
Deep Learning是全部深度学习算法的总称，CNN是深度学习算法在图像处理领域的一个应用。转http://blog.csdn.net/stdcoutzyx/article/details/41596663卷积神经网络简介（Convolutional Neural Networks，简称CNN...
分类：
其他好文 时间：
2015-07-14 17:18:33
阅读次数：
184
感受野（receptive field）是怎样一个东西呢，从CNN可视化的角度来讲，就是输出featuremap某个节点的响应对应的输入图像的区域就是感受野。
比如我们第一层是一个3*3的卷积核，那么我们经过这个卷积核得到的featuremap中的每个节点都源自这个3*3的卷积核与原图像中3*3的区域做卷积，那么我们就称这个featuremap的节点感受野大小为3*3
如果再经过pooling...
分类：
其他好文 时间：
2015-07-10 16:39:45
阅读次数：
196
废话不多，直接上方法 1 public static DataSet ExecuteDataSet(this IDbConnection cnn, IDbDataAdapter adapter, string sql, object param = null, bool buffer...
分类：
移动开发 时间：
2015-07-08 14:12:22
阅读次数：
2446
在上篇《CNN卷积神经网络学习笔记2：网络结构》中，已经介绍了CNN的网络结构的详细构成，我们已经可以初始化一个自己的CNN网络了，接下来就是要用训练得到一个确定的CNN的模型，也就是确定CNN的参数。
CNN本质上就是人工神经网络的一种，只是在前几层的处理上有所不同，我们可以把卷积核看成是人工神经网络里的权值W，而采样层实质上也是一种卷积运算。所以可以基于人工神经网络的权值更新的方法来...
分类：
其他好文 时间：
2015-07-06 12:15:58
阅读次数：
5035
这篇笔记中，通过一个简单的CNN的例子，梳理一下CNN的网络结构的细节。
以下是一个6层的CNN网络，我们输入的是一张大小为28*28的图片。
需要注意的有：
1，这里输入的是一张图片，如果我们输入了50张图片，那么下图中的每一个方框（代表一种特征图）实际上代表了50张图片。
2，在S3和S5的采样层只做了mean pooling，其实一般还会有加偏置和激活的操作，这个CNN网络比较简单，...
分类：
其他好文 时间：
2015-07-05 21:18:32
阅读次数：
1626
Convolutional Neural Networks (CNNs / ConvNets)前面做了如此漫长的铺垫，现在终于来到了课程的重点。Convolutional Neural Networks， 简称CNN，与之前介绍的一般的神经网络类似，CNN同样是由可以学习的权值与偏移量构成，每一个神经元接收一些输入，做点积运算加上偏移量，然后选择性的通过一些非线性函数，整个网络最终还是表示成一个可导...
分类：
Web程序 时间：
2015-07-05 16:44:24
阅读次数：
665
Convolutional Neural Network 卷积神经网络是基于人工神经网络提出的。人工神经网络模拟人的神经系统，由一定数量的神经元构成。在一个监督学习问题中，有一组训练数据(xi,yi)(x_i,y_i)，x是样本，y是label，把它们输入人工神经网络，会得到一个非线性的分类超平面hw,b(x)h_{w,b}(x)，在这篇笔记中先梳理一下传统人工神经网络的基本概念，再基于传统人工神经...
分类：
其他好文 时间：
2015-07-05 15:04:01
阅读次数：
1102
最近准备从物体检测的角度来重新审视文本检测这个方向，所以看了下CNN大火以后的几篇经典文献，OverFeat，Region CNN， Dense Neural Pattern等等。
对这个方向来说，百闻不如一试，趁着其他程序还在跑没什么事，我安装了一下RCNN来看看效果...
分类：
其他好文 时间：
2015-07-03 19:19:28
阅读次数：
436
