摘要： VGGNet由牛津大学的视觉几何组（Visual Geometry Group）提出，是ILSVRC-2014中定位任务第一名和分类任务第二名。本文的主要贡献点就是使用小的卷积核（3x3）来增加网络的深度，并且可以有效提高网络的性能，而且在其他数据集上也有很好的泛化能力。 总结本文，能为网络带来比较 阅读全文

摘要： 本文采用的GoogLenet网络（代号Inception）在2014年ImageNet大规模视觉识别挑战赛取得了最好的结果，该网络总共22层。 Motivation and High Level Considerations 提升深度神经网络的一个最直接的方法就是增加网络的大小。这包括增加网络的深度 阅读全文

摘要： 这篇文章使用的AlexNet网络，在2012年的ImageNet（ILSVRC-2012）竞赛中获得第一名，top-5的测试误差为15.3%，相比于第二名26.2%的误差降低了不少。 本文的创新点： 1） 训练了（当时）最大的一个卷积神经网络，在ImageNet数据集上取得（当时）最好的结果； 2） 阅读全文

摘要： 举例1： 比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6。 下图中，第二层到第三层 阅读全文

摘要： 1. 深度学习中网络越深越好么？ 理论上说是这样的，因为网络越深，参数也越多，拟合能力也越强（但实际情况是，网络很深的时候，不容易训练，使得表现能力可能并不好）。 2. 那么，不同什么深度的网络，在参数差不多大小的情况下，深的网络会比浅的网络表现能力好么？即深度较深的网络比较“瘦”，深度较浅的网络比 阅读全文

摘要： 如上图，深度学习有3个基本的步骤： 1） 定义函数，即选择建立神经网络 2） 建立一个标准，判断第一步得到的函数或者网络好不好，相当于损失函数，误差越小，则该函数或网络越好 3） 选择误差最小的那个函数或网络 将我们之前选择的模型或网络用在训练集上，如果误差大，则说明模型不好，需要重新选择或者训练模 阅读全文

摘要： Given a 2D binary matrix filled with 0's and 1's, find the largest square containing only 1's and return its area. For example, given the following ma 阅读全文

摘要： 目录： 特点和兼容性 1） 可以在多个计算机上分布式训练么？ 可以！TensorFlow从版本0.8开始就支持分布式计算了。TensorFlow现在在一个或多个计算机上支持多个设备（CPUs或者GPUs）。 2） TensorFlow支持Python3么？ 0.6.0版本后的TensorFlow，支 阅读全文

摘要： 上一步建立好模型之后，现在就可以训练模型了。 主要代码如下： 一些函数说明如下： 1）tf.summary.merge_all 作用：Merges all summaries collected in the default graph. 2）tf.summary.FileWriter 作用：Wri 阅读全文

摘要： 建立神经网络模型，下面要建立的模型如下： （上图来源：训练网络时，打开tensorboard即可观察网络结构，在下一节模型训练的时候会讲到） 下面为具体步骤： Step 0：导入相关库 Step 1：定义网络结构 函数介绍： 1）tf.variable_scope 通过 tf.get_variabl 阅读全文