1. 导入各种模块基本形式为：import 模块名from 某个文件 import 某个模块2. 导入数据（以两类分类问题为例，即numClass = 2）训练集数据data可以看到，data是一个四维的ndarray训练集的标签3. 将导入的数据转化我keras可以接受的数据格式keras要求的l...
分类：
其他好文 时间：
2016-01-25 06:33:19
阅读次数：
1217
之前学习了CNN的相关知识，提到Yoon Kim(2014)的论文，利用CNN进行文本分类，虽然该CNN网络结构简单效果可观，但论文没有给出具体训练时间，这便值得进一步探讨。 Yoon Kim代码：https://github.com/yoonkim/CNN_sentence 利用作者提供的...
分类：
其他好文 时间：
2015-12-05 19:33:36
阅读次数：
294
http://cs231n.github.io/transfer-learning/一 概念：（1）learning from scratch 即学一个CNN网络with random initialization (2) 在新的学习任务中，可以利用现有训练好的imagenet网络提取特征，去掉最后...
分类：
其他好文 时间：
2015-09-22 21:46:58
阅读次数：
288
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
