摘要：
CNN是深度学习在图像领域的一个应用。那么它相对于原来的神经网络方法有什么不同？为什么它适用于图像领域？ 原来：全连接神经网络 需要的参数过多，例如1000*1000的图像，则输入层有10^6个节点，若隐藏层也有10^6个节点，则输入层到隐藏层的参数有10^12个。 CNN：局部感知、权值共享 CN 阅读全文
摘要：
1/加载keras模块 2. 变量初始化 3. 数据集的准备 4.one-hot编码，转换类符号 5. 使用Sequential建立模型 6.打印模型 7.模型compile 8.数据归一化（图像数据需要，其他看情况吧） 9.数据增强策略 10.模型训练 11.模型评估 阅读全文
摘要：
参考链接：https://blog.csdn.net/nima1994/article/details/82468965 参考链接：https://blog.csdn.net/gdl3463315/article/details/82659378 to_categorical(y, num_clas 阅读全文
摘要：
VGGNet是牛津大学计算机视觉组（VisualGeometry Group）和GoogleDeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功地构筑了16~19层深的卷 阅读全文
摘要：
Sequential 序贯模型 序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。 Keras实现了很多层，包括core核心层，Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。 我们可以通过将层的列表传递给Sequentia 阅读全文
摘要：
Python中numpy 数组的切片操作简介取元素 X[n0,n1]切片 X[s0:e0,s1:e1]切片特殊情况 X[:e0,s1:]示例代码输出结果简介X[n0,n1]是通过 numpy 库引用二维数组或矩阵中的某一段数据集的一种写法。类似的，X[n0,n1,n2]表示取三维数组，取N维数组则有 阅读全文
摘要：
1、linalg=linear（线性）+algebra（代数），norm则表示范数。 2、函数参数 x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)①x: 表示矩阵（也可以是一维） ②ord：范数类型 向量的范数： 矩阵的范数 阅读全文