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