谷雨·清明
谷雨·清明

cs231n学习笔记——五.CNN 卷积神经网络

5.1 卷积神经网络简介

要介绍CNN，TA选择从神经网络的历史开讲，从1957年的单层感知器讲起
cs231n学习笔记——五.CNN 卷积神经网络_第1张图片
到1960年的多层感知器
cs231n学习笔记——五.CNN 卷积神经网络_第2张图片
到1986年才明确出现反向传播的方法，然而这也只是个理论可行的方法，在实际应用中还是被打烂了头
cs231n学习笔记——五.CNN 卷积神经网络_第3张图片
而直到2006年，深层网络才被验证是初步可训练和使用的，但是也很受限制，需要谨慎的进行初始化，当时是采用受限玻尔兹曼机进行预训练
cs231n学习笔记——五.CNN 卷积神经网络_第4张图片
而直到2012年Hinton和他的学生Alex才使用DNN，分别在语音识别和图像识别领域做出了很惊艳的成果，而图像领域的成果就是早期的CNN，其极大的降低了图像分类的误差并维持了很不错的分类速度
cs231n学习笔记——五.CNN 卷积神经网络_第5张图片
卷积在图像上的应用还是追溯到可怜的脑袋插电猫猫
cs231n学习笔记——五.CNN 卷积神经网络_第6张图片
他们根据大脑中电信号找到了和视觉信息相关的皮层
cs231n学习笔记——五.CNN 卷积神经网络_第7张图片
在此基础上，还发现这部分是存在层级关系的。实验发现视觉刺激会对视觉链路中不同层产生不同的刺激，比如视觉信息会对初级皮层中的视网膜感受神经节造成中心辐射式的刺激，而其他的细胞可能对不同朝向的光以及视觉中目标的边缘产生反应，不同的细胞面向视觉信息中不同的特征产生反应，而这种将视觉信息解耦再在大脑中重组的过程，就成为了卷积神经网络诞生的思路基础
cs231n学习笔记——五.CNN 卷积神经网络_第8张图片
然后1980年就有日本老哥根据这种特点提出一种s-c层交替的网络结构，这种简单simple-复杂complex节点交替的结构显然要比全复杂节点构成的网络更好训练，同时也保证了一定的模型效果
cs231n学习笔记——五.CNN 卷积神经网络_第9张图片
然后就有了1998年的LeNet
cs231n学习笔记——五.CNN 卷积神经网络_第10张图片
然后有了2012年的AlexNet，结构上没有太大区别，只是节点更多，层数更深，从而可以解决复杂的图像分类问题
cs231n学习笔记——五.CNN 卷积神经网络_第11张图片
然后现在CNN就到处用了，包括图像的分类，重建，检测，分割等等
cs231n学习笔记——五.CNN 卷积神经网络_第12张图片cs231n学习笔记——五.CNN 卷积神经网络_第13张图片
还被应用到了自动驾驶、人脸识别、视频分类、姿态检测、玩小游戏啥的，太多了，后面懒得截图了
cs231n学习笔记——五.CNN 卷积神经网络_第14张图片
cs231n学习笔记——五.CNN 卷积神经网络_第15张图片
cs231n学习笔记——五.CNN 卷积神经网络_第16张图片

5.2 卷积神经网络的结构

先从全连接层讲起，最简单神经网络的连接方式就是全连接，比如对于一个32323的图像输入，我们会把他展开成30721的数据输入，根据权重计算之后，输出就是一个单值，但事实上这样就失去了像素数据之间的空间关系，我们又不是不想保留空间关系，我们是木得办法，所以卷积层的出现提出了一种解决思路
cs231n学习笔记——五.CNN 卷积神经网络_第17张图片
卷积层是用一个过滤器filter作为权重，filter的最后维度和图像的最后维度相同，则可以将图像和filter进行卷积计算，即滑动点乘
cs231n学习笔记——五.CNN 卷积神经网络_第18张图片
然后用同样大小不同数值的filter分别计算出新的结果，这些结果就是卷积层对原始输入的初步计算
cs231n学习笔记——五.CNN 卷积神经网络_第19张图片
然后每层加上一个激活神经元（比如Relu），多叠几层，就是个CNN了
cs231n学习笔记——五.CNN 卷积神经网络_第20张图片
以VGG举例，可能浅层网络理解的是一些低阶语义，比如边缘之类的，而高层就在学习一些复杂语义，比如拐角或者斑点之类的（不知道在学啥了），总之从浅层到深层相当于从简单到复杂的特征序列
cs231n学习笔记——五.CNN 卷积神经网络_第21张图片
然后又拿个车尾灯的多层卷积举例子，可以看到蓝色层已经有点常规理解的车灯特征的感觉了
cs231n学习笔记——五.CNN 卷积神经网络_第22张图片
CNN的卷积层&激活层&池化层结构如下，不过说后面讲池化，行吧你是TA你说了算
cs231n学习笔记——五.CNN 卷积神经网络_第23张图片
然后讲快乐的卷积计算，嘛很熟了就随便截图一张，这张应该是计算一个same的卷积，做的0填充
cs231n学习笔记——五.CNN 卷积神经网络_第24张图片
事实上不进行填充的话原始的图像输入在深层网络中会收缩的很快，而这会导致信息的损失
cs231n学习笔记——五.CNN 卷积神经网络_第25张图片
嘛然后就是卷积层的总结了
cs231n学习笔记——五.CNN 卷积神经网络_第26张图片
同时给出了一些常见的超参数组
cs231n学习笔记——五.CNN 卷积神经网络_第27张图片
然后给了caffee中实际设计时候的一个对应
cs231n学习笔记——五.CNN 卷积神经网络_第28张图片
嘛这个部分不错，讲了一下其实不同层的卷积计算在面对用一个空间位置进行计算的时候就类似与不同层次的神经元面对同一个视觉输入的不同层次刺激变化，而这就是卷积层区别于全连接层的核心
cs231n学习笔记——五.CNN 卷积神经网络_第29张图片
哈！讲到池化层啦，池化层主要是为了将之前层生成的表示缩小，越小需要训练的参数越少，但是这种缩小和之前卷积层不填充导致的缩小是不同的，卷积层的缩小伴随的是边缘信息的损失，而池化层的缩小更相当于数据压缩，这种压缩面对完整的信息矩阵的每一个位置是同步的
cs231n学习笔记——五.CNN 卷积神经网络_第30张图片
比如最常见的Max Pooling，在22的区域里面取最大值作为降采样结果，相当于认为最大值是临近区域的最关键信息
cs231n学习笔记——五.CNN 卷积神经网络_第31张图片
不得不说，有个最大池化部分的弹幕给我看乐了，虽然语义结构上不太对，但是意会到想表达的意思了hhhh
在这里插入图片描述
然后同样给出了一些常见设置
cs231n学习笔记——五.CNN 卷积神经网络_第32张图片
一堆絮絮叨叨的还原分析就不说了，直接总结！下课！
cs231n学习笔记——五.CNN 卷积神经网络_第33张图片

你可能感兴趣的:(cs231n,卷积神经网络)

  • 深入理解卷积神经网络（CNN）与循环神经网络（RNN） CodeJourney. cnnrnn人工智能
    在当今的人工智能领域，神经网络无疑是最为璀璨的明珠之一。而卷积神经网络（ConvolutionalNeuralNetworks，CNN）和循环神经网络（RecurrentNeuralNetworks，RNN）作为神经网络家族中的重要成员，各自有着独特的架构和强大的功能，广泛应用于众多领域。本文将深入探讨这两种神经网络的原理、特点以及应用场景，为对深度学习感兴趣的读者提供全面的知识讲解。一、卷积神经
  • 时序预测 | MATLAB实现贝叶斯优化CNN-GRU时间序列预测(股票价格预测) Matlab机器学习之心 matlabcnngru
    ✅作者简介：热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页：Matlab科研工作室个人信条：格物致知，期刊达人。内容介绍股票价格预测一直是金融领域一个极具挑战性的课题。其内在的非线性、随机性和复杂性使得传统的预测方法难以取得令人满意的效果。近年来，深度学习技术，特别是卷积神经网络(CNN)和门控循环单元(GRU)的结合，为时
  • 时序预测 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元时间序列预测 Matlab算法改进和仿真定制工程师 matlabcnngru
    ✅作者简介：热爱数据处理、数学建模、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击：Matlab科研工作室个人信条：格物致知。内容介绍时间序列预测在各个领域都具有重要的应用价值，例如金融市场预测、气象预报、交通流量预测等。准确地预测未来趋势对于决策制定至关重要。近年来，深度学习技术在时间序列预测领域取得了显著进展，其中卷积神经网络(CNN)和门控循环单元(GRU)由于其强
  • 基于AlexNet架构的卷积神经网络模型用于对胸部X光图像进行二分类（例如，诊断肺炎）
    1.肺炎正常的胸部X线片描绘了清晰的肺部，图像中没有任何异常混浊的区域。正常的胸部X线片1.1细菌性肺炎临床表现细菌性肺炎通常由细菌引起，如肺炎链球菌、流感嗜血杆菌、肺炎克雷伯菌等。患者可能出现高热、寒战、咳嗽、咳痰（痰液可能呈脓性）、胸痛、呼吸困难等症状。影像学特征局灶性肺叶实变细菌性肺炎在影像学上常表现为肺叶或肺段的局灶性实变，即某一区域的肺组织因炎症而失去气体交换功能，呈现为高密度影。胸腔积
  • Python_day54Inception网络及其思考 且慢.589 Python_60python开发语言
    一、inception网络介绍今天我们介绍inception，也就是GoogleNet传统计算机视觉的发展史从上面的链接，可以看到其实inceptionnet是在resnet之前的，那为什么我今天才说呢？因为他要引出我们后面的特征融合和特征并行处理这些思想。Inception网络，也被称为GoogLeNet，是Google团队在2014年提出的经典卷积神经网络架构。它的核心设计理念是“并行的多尺度
  • 基于深度学习的图像分类：使用ShuffleNet实现高效分类 Blossom.118 机器学习与人工智能深度学习分类人工智能机器学习数据挖掘python目标检测
    前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。ShuffleNet是一种轻量级的深度学习架构，专为移动和嵌入式设备设计，能够在保持较高分类精度的同时，显著减少计算量和模型大小。本文将详细介绍如何使用ShuffleNet实现高效的图像分类，从理论基础到代码实现，带你一步步掌
  • GWO-CNN-BiLSTM-Attention多变量多步时间序列预测 | Matlab实现灰狼算法优化卷积双向长短期记忆融合注意力机制
    ✅作者简介：热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页：Matlab科研工作室个人信条：格物致知，期刊达人。内容介绍摘要:时间序列预测在各个领域具有广泛的应用，而多变量多步时间序列预测由于其复杂性和挑战性，一直是研究热点。本文提出了一种基于灰狼算法(GreyWolfOptimizer,GWO)优化的卷积神经网络(Conv
  • 14、基于无人机与CNN技术的森林研究：原木识别与冠层空隙分析 Sunny 计算科学前沿：ICCSA2021精选无人机CNN原木识别
    基于无人机与CNN技术的森林研究：原木识别与冠层空隙分析基于CNN的原木识别研究近年来，基于单根原木追踪圆木的方法备受关注。此前的研究提出了一种基于原木端面图像的物理自由方法，借鉴了指纹和虹膜识别的技术，在使用真实分割数据时取得了不错的效果。但在实际应用中，需要一个完全自动化的系统。为了填补这一空白，研究采用了基于卷积神经网络（CNN）的分割方法与原木识别方法相结合的方式，并与传统原木识别方法在自
  • 零基础-动手学深度学习-6.6 卷积神经网络（LeNet） 生医转码，四海为家 深度学习cnn人工智能
    通过之前几节，我们学习了构建一个完整卷积神经网络的所需组件。回想一下现在我们已经掌握了卷积层的处理方法，我们可以在图像中保留空间结构。同时，用卷积层代替全连接层的另一个好处是：模型更简洁、所需的参数更少。本节将介绍LeNet,它是最早发布的卷积神经网络之一，于80年代发明的为了识别手写数字，LeCun发表了第一篇通过反向传播成功训练卷积神经网络的研究！6.6.1.LeNet我这里改了一下28-32
  • 51、使用Inception V3模型进行智能图像识别 秃然暴富 云物联网技术引领社会5.0变革InceptionV3智能图像识别深度学习
    使用InceptionV3模型进行智能图像识别1.引言随着智慧城市的发展，智能图像识别技术在多个领域得到了广泛应用，尤其是在医疗健康领域。InceptionV3模型作为一种高效的深度卷积神经网络，因其出色的准确性和效率，在图像分类任务中表现尤为突出。本文将详细介绍InceptionV3模型的实现，包括模型结构、实现步骤、代码示例以及应用场景，旨在帮助读者理解和应用这一先进技术。2.Inceptio
  • 基于深度学习的图像分类：使用Inception-v3实现高效分类 Blossom.118 机器学习与人工智能深度学习分类人工智能机器学习数据挖掘计算机视觉python
    前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。Inception-v3是一种高效的深度学习架构，通过引入多尺度特征提取和模块化设计，显著提高了模型的性能和效率。本文将详细介绍如何使用Inception-v3实现高效的图像分类，从理论基础到代码实现，带你一步步掌握基于Inc
  • 探秘VCSI：一款创新的视觉内容识别工具
    探秘VCSI：一款创新的视觉内容识别工具是一个基于深度学习的开源项目，其主要目标是帮助开发者和数据科学家进行高效、精确的视觉内容识别。在这个数字时代，我们每天都被大量的图像和视频所包围，VCSI提供了强大的工具，使得机器能够理解这些媒体内容，从而打开了一扇全新的应用之门。技术解析VCSI基于现代神经网络架构，特别是卷积神经网络（CNNs），用于图像特征提取。它利用预训练模型，如VGG16和ResN
  • 阿里云内容审核之图片审核 spring boot 项目 大佐不会说日语～ 阿里云云计算安全springboot
    内容审核-阿里云视觉智能开放平台阿里云的图片审核服务是一种高效的内容安全解决方案，用于自动检测和过滤图片中的不适当内容。以下是关于阿里云图片审核服务：审核方式：阿里云图片审核服务采用两种主要方式来检测图片内容：MD5比对：通过比较上传图片的MD5值与素材库中的MD5值来获取审核结果。卷积神经网络（CNN）技术：使用CNN技术进行特征提取、各部分特征汇总，并通过分类器预测识别来进行审核。内容安全服务
  • 深入探讨 Transformer 模型架构 年纪轻轻头已凉 transformer深度学习人工智能
    ```html深入探讨Transformer模型架构深入探讨Transformer模型架构Transformer是一种革命性的神经网络架构，由Vaswani等人在2017年提出，并在自然语言处理（NLP）领域取得了显著的成功。与传统的循环神经网络（RNN）和卷积神经网络（CNN）不同，Transformer完全依赖于自注意力机制（Self-AttentionMechanism），这使得它在处理长序
  • YOLO11优化：卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积（PConv）符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野 芯作者 D2:YOLO人工智能YOLO深度学习人工智能计算机视觉
    针对微弱小目标检测的世界性难题，AAAI2025最新研究提出革命性的风车形卷积(PConv)，显著提升特征提取能力与感受野，让小目标无所遁形！引言：小目标检测的挑战与突破在计算机视觉领域，小目标检测一直是极具挑战性的任务。传统卷积神经网络在处理微小物体时往往表现不佳，主要原因有二：有限的特征表达能力和不足的感受野范围。当目标尺寸小于32×32像素时，检测精度会急剧下降。近期在AAAI2025上发表
  • 60、深度学习的发展历程和应用领域【用Python进行AI数据分析进阶教程】 理工男大辉郎 python人工智能数据分析机器学习深度学习
    用Python进行AI数据分析进阶教程60：深度学习的发展历程和应用领域关键词：深度学习、神经网络、卷积神经网络、自然语言处理、自动驾驶摘要：本文概述了深度学习的发展历程及其应用领域。从20世纪40年代的神经网络起源，到80年代反向传播算法的提出，再到21世纪初因数据爆炸和计算能力提升而复兴，深度学习经历了多个重要阶段。如今，各种深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）及其变体
  • 猫狗图像分类深度学习模型：VGG-13网络训练实战
    本文还有配套的精品资源，点击获取简介：猫狗分类模型基于VGG-13网络，这是一个在ImageNet竞赛中获得认可的深度卷积神经网络。VGG-13的特点是其包含多个3x3卷积层和全连接层，它能够有效地提取复杂的图像特征，用以区分猫和狗。模型通过大量标记图像的训练，使权重和偏置得以优化，以实现高精度的分类。本文档的文件列表包括了模型训练后得到的权重和偏置，这些都是进行图像分类时的核心参数。1.VGG-
  • 卷积神经网络实现猫狗分类 新手且大师 cnn分类人工智能
    一.环境配置以及数据加载importtorchimporttorch.nnasnnimporttorch.optimasoptimimporttorchvision.transformsastransformsfromtorchvision.datasetsimportImageFolderfromtorch.utils.dataimportDataLoaderimportmatplotlib.p
  • 【锂电池剩余寿命预测】TCN时间卷积神经网络锂电池剩余寿命预测（Pytorch完整源码和数据） 机器学习之心 电池建模pytorch人工智能TCN时间卷积神经网络锂电池剩余寿命预测
    目录效果一览程序获取程序内容代码分享效果一览程序获取获取方式一：文章顶部资源处直接下载：【【锂电池剩余寿命预测】TCN时间卷积神经网络锂电池剩余寿命预测（Pytorch完整源码和数据）获取方式二：订阅电池建模专栏获取电池系列更多文件。程序内容1.【锂电池剩余寿命预测】TCN时间卷积神经网络锂电池剩余寿命预测（Pytorch完整源码和数据）2.数据集：NASA数据集，已经处理好；3.环境准备：pyt
  • TVP：用于高效二维时序视频定位的文本-视觉提示方法 AI专题精讲 强化学习强化学习文本视觉人工智能
    温馨提示：本篇文章已同步至"AI专题精讲"TVP：用于高效二维时序视频定位的文本-视觉提示方法摘要本文研究的是时序视频定位（TemporalVideoGrounding，TVG）问题，其目标是在一段未经剪辑的长视频中，根据一条文本描述预测对应事件片段的起始和结束时间点。近年来，得益于精细的三维视觉特征，TVG技术取得了显著进展。然而，三维卷积神经网络（3DCNN）计算复杂度高，使得密集的3D视觉特
  • yolov8涨点系列之替换幽灵卷积GhostConv 没脾气的小玩家 yolov8涨点系列YOLO目标检测
    文章目录核心思想主要步骤优势yolov8.yaml文件增加CBAMyolov8.yamlyolov8.yaml将Conv卷积替换成GhostConv  幽灵卷积（GhostConv）是一种新颖的卷积操作方法，旨在解决传统卷积神经网络中参数量和计算量过大的问题，尤其适用于资源受限的设备。以下是对幽灵卷积的详细介绍：核心思想  常规的卷积操作会产生大量的特征图，其中存在一定的冗余信息。幽灵卷积的核心思
  • DL00478-涡轮叶片缺陷检测数据集yolo格式1300张左右
    涡轮叶片缺陷检测数据集yolo格式1300张左右涡轮叶片缺陷检测数据集YOLO格式解析：提升研究与论文写作的关键要点在研究涡轮叶片缺陷检测的过程中，数据集的选择和格式处理是一个至关重要的环节。特别是当你打算通过卷积神经网络（CNN）等深度学习模型进行缺陷检测时，数据集的标注和格式化直接影响到模型的训练效果和论文的质量。本文将重点探讨涡轮叶片缺陷检测数据集的YOLO格式，并分析如何利用这一格式为研究
  • 深度学习图像分类数据集—百种病虫害分类 AI街潜水的八角 深度学习图像数据集深度学习分类人工智能
    该数据集为图像分类数据集，适用于ResNet、VGG等卷积神经网络，SENet、CBAM等注意力机制相关算法，VisionTransformer等Transformer相关算法。数据集信息介绍：百种病虫害识别分类，训练集45095张，验证集7508张，测试集22619张具体类别为以下：insect_classes=["rice_leaf_roller","rice_leaf_caterpillar
  • ai绘画生成软件哪个好？几款好用的AI绘画软件分享! 呼酱小宝箱
    随着人工智能技术的不断发展，越来越多的AI绘画生成软件被开发出来。这些软件利用深度学习技术，可以将普通照片或图像转化成具备艺术效果的画作。那么，ai绘画生成软件哪个好？首先，让我们来看一下几个常见的AI绘画生成软件，它们分别是：1、DeepDreamDeepDream是由Google开发的一款AI绘画生成软件。它通过卷积神经网络对输入的图片进行处理，从而生成出具有艺术风格的画作。DeepDream
  • 基于卷积神经网络与小波变换的医学图像超分辨率算法复现 神经网络15044 python算法cnn算法人工智能图像处理开发语言神经网络深度学习
    基于卷积神经网络与小波变换的医学图像超分辨率算法复现前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家，觉得好请收藏。点击跳转到网站。1.引言医学图像超分辨率技术在临床诊断和治疗规划中具有重要意义。高分辨率的医学图像能够提供更丰富的细节信息，帮助医生做出更准确的诊断。近年来，深度学习技术在图像超分辨率领域取得了显著进展。本文将复现一种结合卷积神经网络(CNN)、小波变
  • 【人工智能99问】卷积神经网络（CNN）的结构和原理是什么？(10/99)
    文章目录卷积神经网络（CNN）的结构及原理一、CNN的核心结构1.输入层（InputLayer）2.卷积层（ConvolutionalLayer）2.卷积层的核心机制：局部感受野与权值共享3.池化层（PoolingLayer）4.全连接层（FullyConnectedLayer）5.输出层（OutputLayer）6.辅助层二、CNN的工作原理三、CNN的使用场景1.计算机视觉（最核心场景）2.其
  • 【CNN】卷积神经网络池化- part2
    1.池化降采样，减少参数数量，避免过拟合，提高鲁棒性2.池化操作池化操作(也称为下采样，Subsampling)类似卷积操作，使用的也是一个很小的矩阵，叫做池化核，但是池化核本身没有参数，只是通过对输入特征矩阵本身进行运算，它的大小通常是2x2、3x3、4x4等，其中2x2使用频率最高。然后将池化核在卷积得到的输出特征图中进行池化操作，需要注意的是，池化的过程中也有Padding方式以及步长的概念
  • Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring 论文阅读 钟屿 论文阅读计算机视觉人工智能
    用于动态场景去模糊的深度多尺度卷积神经网络摘要针对一般动态场景的非均匀盲去模糊是一个具有挑战性的计算机视觉问题，因为模糊不仅来源于多个物体运动，还来源于相机抖动和场景深度变化。为了去除这些复杂的运动模糊，传统的基于能量优化的方法依赖于简单的假设，例如模糊核是部分均匀或局部线性的。此外，最近的基于机器学习的方法也依赖于在这些假设下生成的合成模糊数据集。这使得传统的去模糊方法在模糊核难以近似或参数化的
  • 飞算JavaAI：力臻开发之本真，破 AI 代码之繁琐，传统项目一键生成 微学AI 人工智能javajavaAI
    飞算JavaAI：力臻开发之本真，破AI代码之繁琐，传统项目一键生成文章目录飞算JavaAI：力臻开发之本真，破AI代码之繁琐，传统项目一键生成一、前言二、飞算JavaAI是什么？2.1背景与实力2.2飞算JavaAI的“独门绝技”三、飞算JavaAI实战体验3.1IDEA插件安装配置3.2Main中写一个简单的梯度下降算法3.3main函数搭建一个卷积神经网络网络3.4飞算JavaAI：需求分析
  • 【人工智能之深度学习】6. 卷积核工作原理：从边缘检测到特征抽象的逐层演进（附可视化工具与行业实战代码） AI_DL_CODE 人工智能深度学习卷积核特征提取卷积神经网络边缘检测特征可视化
    摘要：卷积核是卷积神经网络（CNN）的核心组件，其通过局部感受野与参数共享机制实现高效特征提取。本文从数学本质出发，揭示卷积操作的空域-频域对偶性：空域卷积等价于频域乘积（F{f∗g}=F{f}⋅F{g}F\{f*g\}=F\{f\}⋅F\{g\}F{f∗g}=F{f}⋅F{g}），解释边缘检测核（Sobel、Laplacian）的频域响应特性。通过特征可视化实验表明，CNN特征呈现逐层抽象规律：
  • Spring中@Value注解，需要注意的地方 无量 springbean@Valuexml
    Spring 3以后,支持@Value注解的方式获取properties文件中的配置值，简化了读取配置文件的复杂操作 1、在applicationContext.xml文件(或引用文件中)中配置properties文件 <bean id="appProperty" class="org.springframework.beans.fac
  • mongoDB 分片 开窍的石头 mongodb
        mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上，configsvr上边放的是metar信息，指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard（片）信息。     第一步启动两台以上的mongo服务 &nb
  • OVER(PARTITION BY)函数用法 0624chenhong oracle
    这篇写得很好，引自 http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html OVER(PARTITION BY)函数用法 2010年10月26日 OVER(PARTITION BY)函数介绍 开窗函数        &nb
  • Android开发中，ADB server didn't ACK 解决方法 一炮送你回车库 Android开发
    首先通知：凡是安装360、豌豆荚、腾讯管家的全部卸载，然后再尝试。   一直没搞明白这个问题咋出现的，但今天看到一个方法，搞定了！原来是豌豆荚占用了 5037 端口导致。 参见原文章：一个豌豆荚引发的血案——关于ADB server didn't ACK的问题 简单来讲，首先将Windows任务进程中的豌豆荚干掉，如果还是不行，再继续按下列步骤排查。 &nb
  • canvas中的像素绘制问题 换个号韩国红果果 JavaScriptcanvas
    pixl的绘制，1.如果绘制点正处于相邻像素交叉线，绘制x像素的线宽，则从交叉线分别向前向后绘制x/2个像素，如果x/2是整数，则刚好填满x个像素，如果是小数，则先把整数格填满，再去绘制剩下的小数部分，绘制时，是将小数部分的颜色用来除以一个像素的宽度，颜色会变淡。所以要用整数坐标来画的话（即绘制点正处于相邻像素交叉线时），线宽必须是2的整数倍。否则会出现不饱满的像素。 2.如果绘制点为一个像素的
  • 编码乱码问题 灵静志远 javajvmjsp编码
    1、JVM中单个字符占用的字节长度跟编码方式有关，而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式；2、对于单个字符：ISO-8859-1单字节编码，GBK双字节编码，UTF-8三字节编码；因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节，而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。 3、getBytes()、getByte
  • java 求几个月后的日期 darkranger calendargetinstance
    Date plandate = planDate.toDate(); SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd"); Calendar cal = Calendar.getInstance(); cal.setTime(plandate); // 取得三个月后时间 cal.add(Calendar.M
  • 数据库设计的三大范式（通俗易懂） aijuans 数据库复习
    关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式，才能设计出高效率、优雅的数据库，否则可能会设计出错误的数据库. 目前，主要有六种范式：第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式，简称1NF。在第一范式基础上进一步满足一些要求的为第二范式，简称2NF。其余依此类推。
  • 想学工作流怎么入手 atongyeye jbpm
    工作流在工作中变得越来越重要，很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点，那了解一点，既不系统，也容易半途而废。好比学武功，最好的办法是有一本武功秘籍。研究明白，则犹如打通任督二脉。 系统学习工作流，很重要的一本书《JBPM工作流开发指南》。 本人苦苦学习两个月，基本上可以解决大部分流程问题。整理一下学习思路，有兴趣的朋友可以参考下。 1  首先要
  • Context和SQLiteOpenHelper创建数据库 百合不是茶 androidContext创建数据库
           一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper     一:SQLiteOpenHelper创建数据库:   1,SQLi
  • 浅谈group by和distinct bijian1013 oracle数据库group bydistinct
            group by和distinct只了去重意义一样，但是group by应用范围更广泛些，如分组汇总或者从聚合函数里筛选数据等。         譬如：统计每id数并且只显示数大于3 select id ,count(id) from ta
  • vi opertion 征客丶 macoprationvi
    进入 command mode （命令行模式） 按 esc 键 再按 shift + 冒号 注：以下命令中 带 $ 【在命令行模式下进行】，不带 $ 【在非命令行模式下进行】 一、文件操作 1.1、强制退出不保存 $ q! 1.2、保存 $ w 1.3、保存并退出 $ wq 1.4、刷新或重新加载已打开的文件 $ e 二、光标移动 2.1、跳到指定行 数字
  • 【Spark十四】深入Spark RDD第三部分RDD基本API bit1129 spark
      对于K/V类型的RDD,如下操作是什么含义？   val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5)) rdd.reduceByKey(_+_).collect  reduceByKey在这里的操作，是把
  • java类加载机制 BlueSkator java虚拟机
    java类加载机制 1.java类加载器的树状结构 引导类加载器 ^ | 扩展类加载器 ^ | 系统类加载器 java使用代理模式来完成类加载，java的类加载器也有类似于继承的关系，引导类是最顶层的加载器，它是所有类的根加载器，它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时，通常会代理给父类加载器，若已经是根加载器了，就自己完成加载。 虚拟机区分一个Cla
  • 动态添加文本框 BreakingBad 文本框
      <script>     var num=1; function AddInput() {      var str="";     str+="<input 
  • 读《研磨设计模式》-代码笔记-单例模式 bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ public class Singleton { } /* * 懒汉模式。注意，getInstance如果在多线程环境中调用，需要加上synchronized，否则存在线程不安全问题 */ class LazySingleton
  • iOS应用打包发布常见问题 chenhbc iosiOS发布iOS上传iOS打包
    这个月公司安排我一个人做iOS客户端开发，由于急着用，我先发布一个版本，由于第一次发布iOS应用，期间出了不少问题，记录于此。   1、使用Application Loader 发布时报错：Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
  • 工作流复杂拓扑结构处理新思路 comsci 设计模式工作算法企业应用OO
    我们走的设计路线和国外的产品不太一样，不一样在哪里呢？  国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多，仅仅是在有限的了解程度上面提出这样的看法)，从而避免在流程引擎中处理这些复杂的图的问题，而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性，这样一来，在引擎和流程流转控制这一个层面就会遇到很
  • oracle 11g新特性Flashback data archive daizj oracle
    1. 什么是flashback data archive Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象，用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象，概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
  • 多叉树:2-3-4树 dieslrae 树
        平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:     1、有一个数据项的节点总是有2个子节点(称为2-节点)     2、有两个数据项的节点总是有3个子节点(称为3-节
  • C语言学习七动态分配 malloc的使用 dcj3sjt126com clanguagemalloc
    /* 2013年3月15日15:16:24 malloc 就memory(内存) allocate(分配)的缩写 本程序没有实际含义，只是理解使用 */ # include <stdio.h> # include <malloc.h> int main(void) { int i = 5; //分配了4个字节 静态分配 int * p
  • Objective-C编码规范[译] dcj3sjt126com 代码规范
      原文链接 : The official raywenderlich.com Objective-C style guide 原文作者 : raywenderlich.com Team 译文出自 : raywenderlich.com Objective-C编码规范 译者 : Sam Lau
  • 0.性能优化-目录 frank1234 性能优化
    从今天开始笔者陆续发表一些性能测试相关的文章，主要是对自己前段时间学习的总结，由于水平有限，性能测试领域很深，本人理解的也比较浅，欢迎各位大咖批评指正。 主要内容包括： 一、性能测试指标 吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间 http://frank1234.iteye.com/blog/2180305 二、性能测试策略 生产环境相同 基准测试 预热等 htt
  • Java父类取得子类传递的泛型参数Class类型 happyqing java泛型父类子类Class
      import java.lang.reflect.ParameterizedType; import java.lang.reflect.Type; import org.junit.Test; abstract class BaseDao<T> { public void getType() { //Class<E> clazz =
  • 跟我学SpringMVC目录汇总贴、PDF下载、源码下载 jinnianshilongnian springMVC
      ----广告-------------------------------------------------------------- 网站核心商详页开发 掌握Java技术，掌握并发/异步工具使用，熟悉spring、ibatis框架； 掌握数据库技术，表设计和索引优化，分库分表/读写分离； 了解缓存技术，熟练使用如Redis/Memcached等主流技术； 了解Ngin
  • the HTTP rewrite module requires the PCRE library 流浪鱼 rewrite
    ./configure: error: the HTTP rewrite module requires the PCRE library. 模块依赖性Nginx需要依赖下面3个包 1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ ) 2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ ) 3. s
  • 第12章 Ajax（中） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Optimize query with Query Stripping in Web Intelligence blueoxygen BO
    http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence and a very straightfoward video http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
  • Java开发者写SQL时常犯的10个错误 tomcat_oracle javasql
    1、不用PreparedStatements 　　有意思的是，在JDBC出现了许多年后的今天，这个错误依然出现在博客、论坛和邮件列表中，即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个： 　　他们对PreparedStatements不了解 　　他们认为使用PreparedStatements太慢了 　　他们认为写Prepar
  • 世纪互联与结盟有感 阿尔萨斯
    10月10日，世纪互联与（Foxcon）签约成立合资公司，有感。 全球电子制造业巨头（全球500强企业）与世纪互联共同看好IDC、云计算等业务在中国的增长空间，双方迅速果断出手，在资本层面上达成合作，此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任，另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。 众所周知，精于电子产品制造（世界第一），对于世纪互联而言，能够与结盟
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他