coding...
  文章分类
总结 5 机器学习 26 论文阅读 2 图像处理基础 4 python 17 深度学习 20 数据结构 1 数学 5 算法 10 计算机基础 1 computer architecture 6 linux 6 matlab 12 生活 1 scikit learn 1 微信小程序 1 读书笔记 1
PyTorch introduction2 PyTorch introduction2
本文介绍了使用pytorch 建立神经网络的一些步骤： 如何定义网络 如何定义损失函数 如何反向传播 并介绍了一个训练图片分类器的实例本文参考自DEEP LEARNING WITH PYTORCH: A 60 MINUTE B
2019-04-26 深度学习
PyTorch
PyTorch introduction1 PyTorch introduction1
本文介绍了pytorch 的一些基础知识，比如 tensors，operations等，还有pytorch 的自动微分机制本文参考自DEEP LEARNING WITH PYTORCH: A 60 MINUTE BLITZ Pyto
2019-04-26 深度学习
PyTorch
cs231n assignment3 Network Visualization cs231n assignment3 Network Visualization
本文来自于 cs231n assignment3 NetworkVisualization这个作业，下面我总结了这个作业的知识点和一些编程技巧。 这个作业介绍了梯度上升法来生成新的图像，在训练模型的时候，我们定义一个损失函数来衡量模型的
2019-04-20 深度学习
cs231n
图像识别和分割 图像识别和分割
本文总结了 cs231n lecture11 的知识点，介绍了计算机视觉的一些方向： 语义分割：upsampling downsampling 图像分类和定位 多目标检测: RCNN Fast-RCNN Faster-RCNN YOLO
2019-04-20 深度学习
cs231n
CNN 结构 CNN 结构
本文总结了 cs231n lecture 10的知识点，介绍了常见的 CNN 结构 AlexNet VGG GoogLeNet ResNet AlexNet [Krizhevsky et al. 2012] 输入：227x227x3
2019-04-20 深度学习
cs231n
循环神经网络 循环神经网络
本文总结了 cs231n lecture 9的知识点，介绍了循环神经网络原理，以及 LSTM 模型循环神经网络（RNN）是一类用于处理序列数据的神经网络，可以扩展到更长的序列，大多数循环网络也能处理可变长度的序列。 需要一个额
2019-04-20 深度学习
cs231n
训练神经网络part2 训练神经网络part2
在测试的时候，需要注意 \(\mu_j\) 和 \(\sigma_j\) 不能用测试时的数据求得，需要用训练时的数据的移动平均值 上面的是对全链接神经网络的BN层，如果是对CNN，它的每一层输出层是 NxCxHxW，在 对每个 C
2018-12-08 深度学习
cs231n
训练神经网络part1 训练神经网络part1
激活函数 Sigmoid 将输入压缩至[0,1] 三个问题： 饱和神经元会杀死梯度 输出不是 0-centered，这样会导致梯度是恒正或恒负 exp() 计算量大 ReLU（Rectified Linear Un
2018-12-02 深度学习
cs231n
cs231n-two_layer_net-note cs231n-two_layer_net-note
import numpy as np ?np.maximum np.maximum 是 element-wise 取最大，同时也有broadcasting 机制 np.maximum([1,2,5],[2,3,4]) array(
2018-11-27 深度学习
cs231n
cs231n-softmax-note cs231n-softmax-note
import numpy as np np.log(10) 2.302585092994046 np.exp([1,2]) array([2.71828183, 7.3890561 ])比较下列的异同，通常broadcasting是
2018-11-27 深度学习
cs231n
cs231n-svm-note cs231n-svm-note
import numpy as np range 的用法 list(range(1,5)) [1, 2, 3, 4] list(range(5)) [0, 1, 2, 3, 4]np.random.choice 的用法· mask
2018-11-27 深度学习
cs231n
cs231n-knn-note cs231n-knn-note
import numpy as np 下面验证一下 np.concatenate 的用法a = np.array([[1,2],[3,4]]) b = np.array([[5,6],[7,8]]) x = [] x.append(a
2018-11-27 深度学习
cs231n
1 / 2