Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
cifar数据集介绍及到图像转换的实现
CIFAR是一个用于普通物体识别的数据集 CIFAR数据集分为两种 CIFAR 10和CIFAR 100 The CIFAR 10 and CIFAR 100 are labeled subsets of the 80 million ti
caffe
DatabaseDataset
Deep Learning
Neural network
感知机介绍及实现
感知机 perceptron 由Rosenblatt于1957年提出 是神经网络与支持向量机的基础 感知机是最早被设计并被实现的人工神经网络 感知机是一种非常特殊的神经网络 它在人工神经网络的发展史上有着非常重要的地位 尽管它的能力非常有限
Neural network
libsvm库简介及使用
libsvm是基于支持向量机 support vector machine SVM 实现的开源库 由台湾大学林智仁 Chih Jen Lin 教授等开发 它主要用于分类 支持二分类和多分类 和回归 它的License是BSD 3 Claus
Deep Learning
Neural network
BP神经网络公式推导及实现(MNIST)
BP神经网络的基础介绍见 http blog csdn net fengbingchun article details 50274471 这里主要以公式推导为主 BP神经网络又称为误差反向传播网络 其结构如下图 这种网络实质是一种前向无反
Neural network
tiny-cnn执行过程分析(MNIST)
在http blog csdn net fengbingchun article details 50573841中以MNIST为例对tiny cnn的使用进行了介绍 下面对其执行过程进行分析 支持两种损失函数 1 mean squared
caffe
Deep Learning
Neural network
matlab神经网络工具箱函数汇总
转自 http hi baidu com lingyin55 blog item 7a968ead11fe180c4b36d61e html 1 网络创建函数 newp 创建感知器网络 newlind 设计一线性层 newlin 创建一线性
MATLAB
Neural network
网络
工具
深度学习中的深度前馈网络简介
几乎所有的深度学习算法都可以被描述为一个相当简单的配方 特定的数据集 代价函数 优化过程和模型 在大多数情况下 优化算法可以定义为求解代价函数梯度为零的正规方程 我们可以替换独立于其它组件的大多数组件 因此我们能得到很多不同的算法 通常代价
Deep Learning
Neural network
激活函数之ReLU/softplus介绍及C++实现
softplus函数 softplus function x ln 1 exp x softplus函数可以用来产生正态分布的 和 参数 因为它的范围是 0 当处理包含sigmoid函数的表达式时它也经常出现 softplus函数名字来源于
Math Knowledge
Deep Learning
Neural network
caffe
吴恩达老师深度学习视频课笔记:单隐含层神经网络公式推导及C++实现(二分类)
关于逻辑回归的公式推导和实现可以参考 http blog csdn net fengbingchun article details 79346691 下面是在逻辑回归的基础上 对单隐含层的神经网络进行公式推导 选择激活函数时的一些经验 不
Deep Learning
Neural network
目标检测算法FPN(Feature Pyramid Networks)简介
目标检测算法Feature Pyramid Networks FPN 由Tsung Yi Lin等人于2017年提出 论文名字为 Feature Pyramid Networks for Object Detection 可以从https
Deep Learning
Neural network
激活函数之logistic sigmoid函数介绍及C++实现
logistic sigmoid函数 logistic sigmoid函数通常用来产生Bernoulli分布中的参数 因为它的范围是 0 1 处在 的有效取值范围内 logisitic sigmoid函数在变量取绝对值非常大的正值或负值时会
Deep Learning
Neural network
Math Knowledge
caffe
正则化(Regularization)
过拟合问题 Overfitting 当我们对一个问题建立线性回归模型或逻辑回归模型时 不恰当的选择特征会导致过拟合问题 过拟合问题是指当我们选择了很多的特征值时 模型对数据集的每一个example都符合的很好 但是对新的example却预测
Neural network
Machine Learning
Regularization
Overfitting