-
经典卷积神经网络——VGG16
VGG16前言一、VGG发展历程二、VGG网络模型三、VGG16代码详解1.VGG网络架构2.VGG16网络验证2.读取数据，进行数据增强3.训练模型，测试准确率四、VGG缺点前言我们都知道Alexnet是卷积神经网络的开山之作，但是由于卷积核太大，移动步长大，无填充，所以14年提出的VGG网络解决
-
国庆假期看了一系列图像分割Unet、DeepLabv3+改进期刊论文，总结了一些改进创新的技巧
关于图像分割方面的论文改进目前深度学习图像处理主流方向的模型基本都做到了很高的精度，你能想到的方法，基本上前人都做过了，并且还做得很好，因此越往后论文越来越难发，创新点越来越难找。尤其是DeepLabv3+和Unet系列模型🔥🔥🔥，热度很高，也是改进频率很高的一个模型。文章目录一、创新思路🌟
-
常用的激活函数（Sigmoid、Tanh、ReLU等）
目录一、激活函数定义二、梯度消失与梯度爆炸 1.什么是梯度消失与梯度爆炸2.梯度消失的根本原因3.如何解决梯度消失与梯度爆炸问题 三、常用激活函数1.Sigmoid2.Tanh3.ReLU4.LeakyReLU5.ELU6.softmax7.Swish一、激活函数定义
-
Keras可视化神经网络架构的四种方法
我们在使用卷积神经网络或递归神经网络或其他变体时，通常都希望对模型的架构可以进行可视化的查看，因为这样我们可以在定义和训练多个模型时，比较不同的层以及它们放置的顺序对结果的影响。还有可以更好地理解模型结构、激活函数、模型参数形状（神经元数量）等。keras中有一些现成的包可以创建我们的神经网络模型的
-
神经网络中常见的激活函数
深度学习中已经成为了人工智能领域的必备工具，源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。寻找隐藏层的权重参数和偏置的过程，就是常说的“学习”过程，其遵循的基本原则就是使得网络最终的输出误差最小化。在神经⽹络中，激活函数是必须选择的众多参数之⼀，从而使神经⽹络获得最优的结果和
-
用自己的数据构建一个简单的卷积神经网络
在本文中，我们将构建一个卷积神经网络，将对7种类型的数千个图像进行训练，即：鲜花，汽车，猫，马，人，自行车，狗，然后能够预测是否给定的图像是猫，狗或人。 该CNN实现使用自己的图像数据集涵盖以下主题加载和预处理自己的数据集在Keras设计和训练CNN模型绘制损失和准确度曲线评估模型和预测测
