08 2024 档案

神经网络之卷积篇：详解单层卷积网络（One layer of a convolutional network）
摘要：详解单层卷积网络 如何构建卷积神经网络的卷积层，下面来看个例子。 已经写了如何通过两个过滤器卷积处理一个三维图像，并输出两个不同的4×4矩阵。假设使用第一个过滤器进行卷积，得到第一个4×4矩阵。使用第二个过滤器进行卷积得到另外一个4×4矩阵。 最终各自形成一个卷积神经网络层，然后增加偏差，它是一个实 阅读全文
posted @ 2024-08-20 12:30 Oten 阅读(326) 评论(0) 推荐(0)
神经网络之卷积篇：详解三维卷积（Convolutions over volumes）
摘要：详解三维卷积 从一个例子开始，假如说不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征。彩色图像如果是6×6×3，这里的3指的是三个颜色通道，可以把它想象成三个6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的3×3的过滤器做卷积，而是跟一个三维的过滤器，它的维度是3×3×3， 阅读全文
posted @ 2024-08-15 10:02 Oten 阅读(4084) 评论(0) 推荐(0)
神经网络之卷积篇：详解卷积步长（Strided convolutions）
摘要：详解卷积步长 卷积中的步幅是另一个构建卷积神经网络的基本操作，让向展示一个例子。 如果想用3×3的过滤器卷积这个7×7的图像，和之前不同的是，把步幅设置成了2。还和之前一样取左上方的3×3区域的元素的乘积，再加起来，最后结果为91。 只是之前移动蓝框的步长是1，现在移动的步长是2，让过滤器跳过2个步 阅读全文
posted @ 2024-08-14 09:58 Oten 阅读(2185) 评论(0) 推荐(0)
神经网络之卷积篇：详解Padding
摘要：详解Padding 为了构建深度神经网络，需要学会使用的一个基本的卷积操作就是padding，让来看看它是如何工作的。 如果用一个3×3的过滤器卷积一个6×6的图像，最后会得到一个4×4的输出，也就是一个4×4矩阵。那是因为3×3过滤器在6×6矩阵中，只可能有4×4种可能的位置。这背后的数学解释是， 阅读全文
posted @ 2024-08-13 09:55 Oten 阅读(2209) 评论(1) 推荐(1)
神经网络之卷积篇：详解更多边缘检测内容（More edge detection）
摘要：详解更多边缘检测内容 已经见识到用卷积运算实现垂直边缘检测，在本博客中，将看到如何区分正边和负边，这实际就是由亮到暗与由暗到亮的区别，也就是边缘的过渡。还能了解到其他类型的边缘检测以及如何去实现这些算法，而不要总想着去自己编写一个边缘检测程序。 这张6×6的图片，左边较亮，而右边较暗，将它与垂直边缘 阅读全文
posted @ 2024-08-08 09:49 Oten 阅读(432) 评论(0) 推荐(0)
神经网络之卷积篇：详解边缘检测示例（Edge detection example）
摘要：详解边缘检测示例 卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。在这个博客中，会看到卷积是如何进行运算的。 在之前的博客中，说过神经网络的前几层是如何检测边缘的，然后，后面的层有可能检测到物体的部分区域，更靠后的一些层可能检测到完整的物体，这个例子中就是人脸。在这个博客中，会看到 阅读全文
posted @ 2024-08-07 09:45 Oten 阅读(796) 评论(0) 推荐(0)