登录社区云，与社区用户共同成长
邀请您加入社区
小白的深度学习笔记
【神经网络与深度学习】卷积神经网络 ① 卷积 ② 互相关 ③ 卷积层和池化层 ④ 四种典型的卷积网络 ⑤ 转置卷积 ⑥ 空洞卷积 ⑦ 微步卷积
深度学习实战07-卷积神经网络（Xception）实现动物识别
Zhaowei Cai, Nuno Vasconcelos. 《Cascade R-CNN: Delving into High Quality Object Detection》. CVPR 2018.论文链接：https://arxiv.org/abs/1712.00726代码链接：https://github.com/zhaoweicai/cascade-rcnn前言IOU阈值被用来定义正负
理解训练过程中 loss 变化情况 (loss / val_loss / test_loss)
添加链接描述
深度学习卷积神经网络
本文先构建了一个小的卷积神经网络，在猫狗数据集的一个子集上从头开始训练。从结果来看，在训练集上可以达到接近于100%的accuracy，但是在验证集和测试集上只有不到80%。因此很明显存在严重的过拟合问题。此外还可以看出epoches设置为15是多余的，几乎在epoches等于5时就已经达到了验证集的accuracy的峰值。接下来将采用两种方法解决这个问题。
卷积神经网络
1.背景介绍卷积神经网络(Convolutional Neural Networks，简称CNN)是一种深度学习模型，主要应用于图像和视频处理领域。它的核心思想是借鉴了生物神经网络中的神经元结构，通过卷积、池化等操作来提取图像的特征，从而实现图像分类、目标检测、对象识别等任务。CNN的发展历程可以分为以下几个阶段：1980年代，LeCun等人开始研究卷积神经网络，并提出了手写数字识别...
简介：该垃圾分类项目主要在于对各种垃圾进行所属归类，本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类，最终移植在树莓派上进行实时视频流的垃圾识别。前期：主要考虑PC端性能，并尽可能优化模型大小，训练可采用GPU，但调用模型测试的时候用CPU运行，测试帧率和准确性（测试10张左右图像的运行时间取平均值或实时视频流的帧率）。后期：部署在树莓派端，在本地进行USB摄像头实时视频流的垃圾
通过Tensorflow对天气数据集进行识别。里面详细介绍了开发环境、训练方式、模型参数、数据集以及一系列的预处理等，最后还对训练的过程进行图像绘制。
