英文字典中文字典


英文字典中文字典51ZiDian.com



中文字典辞典   英文字典 a   b   c   d   e   f   g   h   i   j   k   l   m   n   o   p   q   r   s   t   u   v   w   x   y   z       







请输入英文单字，中文词皆可：


请选择你想看的字典辞典：
单词字典翻译
crossberry查看　crossberry　在百度字典中的解释百度英翻中〔查看〕
crossberry查看　crossberry　在Google字典中的解释Google英翻中〔查看〕
crossberry查看　crossberry　在Yahoo字典中的解释Yahoo英翻中〔查看〕

安装中文字典英文字典查询工具!


中文字典英文字典工具:
选择颜色:
输入中英文单字

































































英文字典中文字典相关资料:


  • 【综述】一文读懂卷积神经网络 (CNN) - 知乎
    卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。 本文旨在介绍CNN的基本概念和结构，以及CNN网络架构设计的基本思路。 1 什么是卷积神经网络？ 卷积神经网络是多层感知机 (MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。
  • 【深度学习】一文搞懂卷积神经网络（CNN）的原理（超详细）_卷积神经网络原理-CSDN博客
    在卷积神经网络中，卷积操作是指将 一个可移动的小窗口 （称为数据窗口，如下图绿色矩形）与图像进行 逐元素相乘然后相加 的操作。 这个小窗口其实是 一组固定的权重，它可以被看作是一个特定的 滤波器（filter）或卷积核。 这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。 这一操作是卷积神经网络名字的来源。 上图这个绿色小窗就是数据窗口。 简而言之， 卷积操作就是用一个可移动的小窗口来提取图像中的特征，这个小窗口包含了一组特定的权重，通过与图像的不同位置进行卷积操作，网络能够学习并捕捉到不同特征的信息。 文字解释可能太难懂，下面直接上动图：
  • 卷积神经网络（Convolutional Neural Network, CNN） | TensorFlow Core
    本教程展示了如何训练一个简单的 卷积神经网络 (CNN) 来对 CIFAR 图像 进行分类。 由于本教程使用的是 Keras Sequential API，创建和训练模型只需要几行代码。 CIFAR10 数据集包含 10 类，共 60000 张彩色图片，每类图片有 6000 张。 此数据集中 50000 个样例被作为训练集，剩余 10000 个样例作为测试集。 类之间相互独立，不存在重叠的部分。 为了验证数据集看起来是否正确，我们绘制训练集中的前 25 张图像并在每张图像下方显示类名称： 下方展示的 6 行代码声明了了一个常见卷积神经网络，由几个 Conv2D 和 MaxPooling2D 层组成。
  • 深度学习--CNN卷积神经网络（附图）_cnn图片-CSDN博客
    卷积层中后是ReLu激活函数 ，然后是深化池，之后是全连接，最后进行Softmax进行归一化。 全连接层 （fully connected layers，FC）在整个卷积 神经网络 中起到“ 分类器 ”的作用。 如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”（下面会讲到这个分布式特征）映射到样本标记空间的作用 1 能够自适应，自主学习 (能够根据x得出y) 2 有着较强的非线性映射能力（在结点后增加了ReLu激活函数） 3 严谨的推导过程 4 较强的泛化能力 5 降维或升维 1 全局感知（每一结点的值都会影响最后的w） 2 权重参数众多（4*9=36个权重） 3 学习速率慢（因为权重矩阵巨大）
  • 图像识别原理--卷积神经网络CNN详解 - 知乎
    本文主要对神经网络和卷积神经网络做了简要的对比，着重介绍了卷积神经网络的层次基础，同时也简要介绍了卷积神经网络参数更新方式和其优缺点，并结合具体实例对卷积神经网络的工作方式做了介绍。 神经网络对于各种各样的数据都具有一个很强的非线性拟合能力，但是在语音、图像这类“raw data”数据处理上，我们迟迟得不到突破。 这些数据属于人类一出生就能接受到的信息，在这方面数据，我们很难用机器学习的方法去驱动产出很好的效果。 在机器学习中有个很重要的东西叫做特征。 在解决很多机器学习问题时，对于 feature，我们用的是 Handcraft Feature，就是手工造出来的特征。 手造出来的特征在有一定物理含义的问题当中具有一定作用。
  • CNN卷积神经网络原理讲解+图片识别应用（附源码） - 知乎
    用CNN卷积神经网络识别图片，一般需要的步骤有： 卷积层的作用：就是提取图片每个小部分里具有的特征 假定我们有一个尺寸为6*6 的图像，每一个像素点里都存储着图像的信息。 我们再定义一个 卷积核 （相当于权重），用来从图像中提取一定的特征。 卷积核与数字矩阵对应位相乘再相加，得到卷积层输出结果。 当所有的像素点都至少被覆盖一次后，就可以产生一个卷积层的输出（下图的步长为1） 机器一开始并不知道要识别的部分具有哪些特征，是通过与 不同的卷积核 相作用得到的输出值，相互比较来判断哪一个卷积核最能表现该图片的特征——比如我们要识别图像中的某种特征（比如曲线），也就是说，这个卷积核要对这种曲线有很高的输出值，对其他形状（比如三角形）则输出较低。
  • pytorch训练卷积神经网络进行图片分类 (官方教程详细解读)_卷积网络训练图片-CSDN博客
    本文详细解读了使用PyTorch训练卷积神经网络进行CIFAR10数据集图片分类的过程。 从数据预处理、模型定义到训练及测试，逐行解析代码，帮助读者深入理解实现细节。 对pytorch针对CIFAR10数据集进行图片分类代码的解读，旨在对每一行代码的作用进行解答，整体过程进行梳理。 按官方文档顺序，注释解答每行代码的意图和含义 import torchvision #工具库，包含数据集，模型，图片操作，其他操作等等 import torchvision transforms as transforms # 图片操作库 # 按顺序进行变换，[0-255]->[0,1]->[-1,1]
  • 知乎 - 有问题，就会有答案
    如下图，虽说PS可以画，但是作为小白来说工作量也大了点。神经网络相关论文这样的图很多，大家都是用什么…
  • 理解卷积神经网络中的输入与输出形状 | 视觉入门 - 知乎
    本文章将帮助你理解卷积神经网络的输入和输出形状。 让我们看看一个例子。 CNN的输入数…
  • CNN数据集——自己建立数据集要点_cnn如何用于自己构造的数据集-CSDN博客
    注意大坑，返回图片格式为 [通道数, 长或宽，长或宽]如果用Image open方法读取的图片维度为 [ 长或宽，长或宽,通道数],是不能*卷积*的 plot显示图片数据，需要先imshow再show，直接show无法正常显示。 新学 cnn ，尝试建立 数据集。 这是过了几天的描述，时间再长估计就要忘记了。 我是建立图片数据集，图片为四位 验证码。 图片已经准备好，图片名称为图中的四位验证码。 1 将训练集、测试集、验证集的图片放在三个 文件夹 中，尽量保证这三个文件夹不在移动 比例我忘记了，大概是6:2:2吧，以后查到了我再改





中文字典-英文字典  2005-2009