什么是fine tuning？ 概述 在实践中，由于数据集不够大，很少有人从头开始训练网络。常见的做法是使用预训练的网络（例如在ImageNet上训练的分类1000类的网络）来重新fine tuning（也叫微调），或者当做特征提取器。 以下是常见的两类迁移学习场景： 1. 卷积网络当做特征提取器。 ...
分类：
其他好文 时间：
2019-10-19 14:40:52
阅读次数：
99
阅读他人的代码能够帮助你学习编程。类似的，研究他人开训练出的实例，有助于你构建自己的CNN。 １．classicla network 1.1 LeNet-5 n_H,n_W在减小，n_C在增加 一个或多个卷积层后边跟一个池化层 阅读论文：只需精读第二段 1.2 AlexNet 论文：任务被分到了两个 ...
分类：
其他好文 时间：
2019-09-03 09:59:22
阅读次数：
117
恢复内容开始 与R-CNN的不同： Fast R-CNN是端到端的，解决了R-CNN的速度慢、空间大的缺点。 训练： 使用5个最大池化层和5~13个不等的卷积层的三种网络进行预训练：CaffeNet，VGG_CNN_M_1024，VGG-16，使用之前要先做出如下改动： 对训练集中的图片，SS取出每 ...
分类：
其他好文 时间：
2019-08-25 16:10:33
阅读次数：
73
背景 用ConvNet方法解决图像分类、检测问题成为热潮，但这些方法都需要先把图片resize到固定的w*h，再丢进网络里，图片经过resize可能会丢失一些信息。论文作者发明了SPP pooling(空间金字塔池化)层，让网络可以接受任意size的输入。 方法 首先思考一个问题，为什么ConvNe ...
分类：
Web程序 时间：
2019-08-18 13:56:31
阅读次数：
107
参考链接: https://blog.csdn.net/Jason_yyz/article/details/80003271 https://blog.csdn.net/qq_21190081/article/details/72871704 ...
分类：
其他好文 时间：
2019-08-17 18:15:31
阅读次数：
55
目录 感受野 多个小卷积核连续卷积和单个大卷积核卷积的作用相同 小卷积核的优势 参考资料 感受野 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入 ...
分类：
其他好文 时间：
2019-07-19 18:34:44
阅读次数：
117
目录 神经网络的卷积、池化、拉伸 LeNet网络结构 LeNet在MNIST数据集上应用 参考资料 LeNet是卷积神经网络的祖师爷LeCun在1998年提出，用于解决手写数字识别的视觉任务。自那时起，CNN的最基本的架构就定下来了：卷积层、池化层、全连接层。如今各大深度学习框架中所使用的LeNet ...
分类：
Web程序 时间：
2019-07-15 19:57:35
阅读次数：
328
卷积神经网络是一种前馈神经网络，是受生物学上感受野的机制提出的，CNN在结构上有三个特性：局部连接、权值共享、时间或空间上的次采样。卷积神经网络在图像处理领域使用得十分广泛，原因在于CNN能够在一定程度上保持图像平移、缩放和扭曲不变性。 一个卷积神经网络通常由以下几个部分组成：输入层、卷积层、池化层 ...
分类：
其他好文 时间：
2019-06-28 22:39:26
阅读次数：
126
深度学习相关概念整理 数值梯度和解析梯度 数值梯度就是通过梯度得定义去计算出来的梯度：给予x_i一个非常小的偏移量，去计算出y的偏移量，最后用y的偏移去除以x_i的偏移就是在x_i处的偏导数。 解析梯度就是对目标函数进行直接求偏导，得到的偏导式所算出来的梯度。 CNN中的卷积层与池化层 卷积层，就是 ...
分类：
其他好文 时间：
2019-05-27 12:00:52
阅读次数：
115
参考：https://www.cnblogs.com/charlotte77/p/7759802.html 卷积层： 作用：特征提取，减小参数 池化层： 作用：将卷积层提取的特征中最能反映该特征的特征值取出来 Flattern layer和全连接层： 作用：前者将前面得到的feature_map这种 ...
分类：
其他好文 时间：
2019-05-01 18:53:31
阅读次数：
220
