摘要：
1. receptive field(感受野)： 卷积神经网络CNN中，某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野receptive field。 感受野的大小是由kernel size，stride，padding , outputsize 一起决定的。 2. 定性分析和定量分 阅读全文
摘要：
Abstract 微人脸的超分辨率与特征点定位是高度相关的任务。一方面，利用高分辨率的人脸可以获得更高的精度特征点的定位。另一方面，面部SR将受益于对面部属性(如特征点)的先验知识。（意思时人脸的超分和人脸特征点的定位相互促进）。更具体地说，一个共享的深度编码器被应用于通过利用互补的信息来为两个任务 阅读全文
摘要：
一、论文的目的 提高非常低分辨率的人脸图像的质量和理解 图像的质量：我们的目标是提高分辨率和恢复真实世界的低分辨率面部图像的细节 图像的理解：我们希望通过对一组预定义的具有语义意义的面部标志(如鼻尖、眼角等)进行定位来提取中高级面部信息（这个任务也称为人脸对齐） 二、 论文解决的两个挑战： 1）提高 阅读全文
摘要：
摘要： 图像超分辨率(SR)是提高计算机视觉中图像和视频分辨率的一类重要图像处理技术。近年来，利用深度学习技术实现图像超分辨率技术取得了显著进展。在调查中，我们的目的是给出在一个系统的方式中使用深度学习方法来实现图像超分辨率的最新进展。我们可以将现有的SR技术研究大致分为三类 有监督的SR(supe 阅读全文
摘要：
4.2深层网络中的向前传播 4.3核对矩阵的维数 4.5：搭建深层神经网络块 阅读全文
摘要：
3.2神经网络的表示 该神经网络由两层组成，隐藏层数为一 隐藏层的含义是：在训练集中，这些中间节点的真正数值我们是不知道的，在训练集你看不到他们的数值。你只能看到输入值，也能看见输出值。这就是所谓的“隐藏层” 第零层：向量X表示输入特征，输入特征的数值还有另外一种表示方式，用a[0]来表示，即X=a 阅读全文
摘要：
2.7计算图 2.8计算图的导数计算 2.9 logistic回归中的梯度下降法 2.10 m个样本的梯度下降 2.11向量化比for循环可以节省大量的时间，运行速度会更快 2.12 向量化的更多例子 2.13 向量化logistic 回归 2.15python中的广播 https://blog.c 阅读全文
摘要：
第 31 题 在我们的前向传播和后向传播实现中使用的“缓存”是什么？ B.我们用它将在正向传播过程中计算的变量传递到相应的反向传播步骤。它包含了反向传播计算导数的有用值。 如图： 第 32 题 以下哪些是“超参数”？(选出所有正确项) A.隐藏层规模n[l]【★】 B.神经网络的层数L【★】 C.激 阅读全文
摘要：
第 14 题 考虑以下两个随机数组a和b： a = np.random.randn(2, 3) # a.shape = (2, 3) b = np.random.randn(2, 1) # b.shape = (2, 1) c = a + b c的维度是什么？ 答： b（列向量）复制3次，以便它可以 阅读全文
摘要：
# -*- coding: UTF-8 -*- import tensorflow as tf import os import tarfile import requests #模型下载地址 inception_pretrain_model_url='http://download.tensorf 阅读全文