1.选择服务 假设：我们的地图服务已经发布好，名称为 test。如下图所示： 1.1.2 - 设置发布缓存的进程数量 右键上图 test 服务，先停止服务，选择服务属性（service property）->选择“池化”选项卡。 如下图所示，我们设置最大实例数即可，理论上讲最优是 cpu 线程数+1 ...
分类：
系统相关 时间：
2017-09-08 18:19:24
阅读次数：
234
前言 研究了好一阵子深度学习在计算机视觉方面的实际应用意义不大的奇技淫巧，感觉基本对研究生生涯的工作没啥直接的借鉴意义，硬说收获的话倒是加深了对tensorflow的理解，是时候回归最初的兴趣点——物体检测了，实际上对cs231n的Faster RCNN讲解理解的不是很好，当然这和课上讲的比较简略也 ...
分类：
其他好文 时间：
2017-08-17 23:36:26
阅读次数：
1196
利用卷积神经网络训练图像数据分为以下几个步骤 1 读取图片文件 这里文件名作为标签，即类别（其数据类型要确定，后面要转为tensor类型数据）。 然后将image和label转为list格式数据，因为后边用到的的一些tensorflow函数接收的是list格式数据。 2 产生用于训练的批次 首先使用 ...
分类：
其他好文 时间：
2017-07-24 13:19:39
阅读次数：
5154
卷积层 卷积层向前传播示意图： 卷积层反向传播示意图： 池化层（亦下采样层） 池化层向前传播： 和卷积层类似，但是更简单一点，只要在对应feature map的原输入上取个窗口然后池化之即可， 池化层反向传播： 反向传播的时候也是还原窗口，除最大值处继承上层梯度外（也就是说本层梯度为零），其他位置置 ...
分类：
其他好文 时间：
2017-07-24 11:34:58
阅读次数：
166
1、最大池化 max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似。 tf.nn.max_pool(value, ksize, strides, padding, name=None) 参数是四个，和卷积很类似： 第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所 ...
分类：
其他好文 时间：
2017-07-21 19:47:00
阅读次数：
486
输入层 隐藏层 激励函数 BR 卷积层： 观察所需要的信息 池化层（下采样层） 最后实现分类 softmax激励函数 输出层 训练方法 数据集进行处理 训练 model 测试方法 加载.mat文件 实现分类、归一化处理 实现测试集结果 ...
分类：
其他好文 时间：
2017-07-18 11:49:44
阅读次数：
150
首先的阶段由卷积层和池化层组成，卷积的节点组织在特征映射块（feature maps）中，每个节点与上一层的feature maps中的局部块通过一系列的权重即过滤器连接。加权和的结果被送到非线性函数中如ReLU。一个feature maps中所有的节点分享相同的过滤器，即共享权重。这种结构的原因是 ...
分类：
其他好文 时间：
2017-07-17 10:03:54
阅读次数：
159
首先介绍一个概念“池化技术 ”。池化技术 一言以蔽之就是：提前保存大量的资源，以备不时之需以及重复使用。 池化技术应用广泛，如内存池，线程池，连接池等等。内存池相关的内容，建议看看Apache、Nginx等开源web服务器的内存池实现。 起因：由于在实际应用当中，分配内存、创建进程、线程都会设计到一 ...
分类：
编程语言 时间：
2017-07-14 23:59:34
阅读次数：
477
网上看到一个池化的解释是： 为了描述大的图像，可以对不同位置的特征进行聚合统计，如计算平均值或者是最大值，即mean-pooling和max-pooling 我的想法是，图像做卷积以后，将图像信息（特征）变强了，这时候允许减小图像的尺寸（因为卷积增强了信息，现在又牺牲 一点信息，达到数据尺寸减小但信 ...
分类：
其他好文 时间：
2017-07-12 21:21:08
阅读次数：
5194
这个项目主要涉及到两个网络，其中卷积神经网络用来提取图片表达的情绪，提取出一个二维向量。 网络结构如图： 词向量采用预训练的glove模型，d=50，其他信息包括了图片的“空旷程度”、亮度、对比度等信息，用来更好地描述图片特征。 对于图中的卷积神经网络，需要讲解的地方是：卷积核是一个一维卷积核，每一 ...
分类：
编程语言 时间：
2017-07-10 20:46:06
阅读次数：
242
