图示池化层（前向传播） 池化层其实和卷积层有点相似，有个类似卷积核的窗口按照固定的步长在移动，每个窗口做一定的操作，按照这个操作的类型可以分为两种池化层： MAC （max pooling）在窗口中取最大值当做结果 AVG （average pooling）在窗口中取平均值当做结果 池化层的反向传播 ...
分类：
其他好文 时间：
2017-10-18 13:18:21
阅读次数：
183
提取保存的参数进行准确率验证 结果 初始化后没有经过训练的参数准确率低 训练后从模型中提取的参数准确率高 ...
分类：
其他好文 时间：
2017-10-11 15:31:20
阅读次数：
235
一、线程池初探 所谓线程池，就是将多个线程放在一个池子里面（所谓池化技术），然后需要线程的时候不是创建一个线程，而是从线程池里面获取一个可用的线程，然后执行我们的任务。线程池的关键在于它为我们管理了多个线程，我们不需要关心如何创建线程，我们只需要关系我们的核心业务，然后需要线程来执行任务的时候从线程 ...
分类：
编程语言 时间：
2017-10-01 21:08:36
阅读次数：
268
1、连接池概述 数据库连接是一种关键的有限的昂贵的资源，这一点在多用户的网页应用程序中体现得尤为突出。对数据库连接的管理能显著影响到整个应用程序的伸缩性和健壮性，影响到程序的性能指标。数据库连接池正是针对这个问题提出来的。 数据库连接池负责分配、管理和释放数据库连接，它允许应用程序重复使用一个现有的 ...
分类：
编程语言 时间：
2017-09-29 17:45:54
阅读次数：
159
roi pooling是先进行roi projection(即映射)然后再池化 映射是把用来训练的图片的roi映射到最后一层特征层(即卷积层)。方法其实很简单，图片经过特征提取后，到最后一层卷积层时，真个图片是原始图片的1/16，你把roi的4个坐标都乘以1/16，也就变成了在这个卷积层上对应的坐标 ...
分类：
其他好文 时间：
2017-09-24 14:35:19
阅读次数：
198
CNN中减少网络的参数的三个思想： 1） 局部连接（Local Connectivity） 2） 权值共享（Shared Weights） 3） 池化（Pooling） 局部连接 局部连接是相对于全连接来说的。全连接示意图如下： 比如说，输入图像为1000*1000大小，即输入层有1000*1000 ...
分类：
其他好文 时间：
2017-09-24 00:29:58
阅读次数：
360
本文主要是学习下Linear Decoder已经在大图片中经常采用的技术convolution和pooling，分别参考网页http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial中对应的章节部分。 Linear Decoders: ...
分类：
其他好文 时间：
2017-09-21 11:23:24
阅读次数：
153
1*1卷积比如一张500*500且厚度depth为100的图片在20个filter上做1*1卷积，那么结果大小为500*500*20 只有池化改变图片的大小 一个大的全连接层可以理解为一个神经网络，这个NN 中的神经元连接着前一层的每一个输入 ，所以最后一层数据被延展为一个巨大 的列向量。 卷积的过 ...
分类：
其他好文 时间：
2017-09-18 17:33:48
阅读次数：
177
卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC (1)卷积层：用它来进行特征提取，如下： 输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3的filter(感受野)，这里注意：感受野的深度必须和输入 ...
分类：
其他好文 时间：
2017-09-14 15:01:55
阅读次数：
356
一、Tensorflow实现卷积神经网络 卷积神经网络的概念最早出自19世纪60年代科学技术提出的感受野。当时科学家通过对猫的视觉皮层细胞研究发现，每一个视觉神经元只会处理一小块区域的视觉图像，即感受野。 一个卷积层中可以有多个不同的卷积核，而每一个卷积核都对应一个滤波后映射出的新图像，同一个新图像 ...
分类：
其他好文 时间：
2017-09-12 11:10:00
阅读次数：
1342
