在本文中，并不是介绍最新的一些论文，而是回顾自己在很早（半年前?）读过的几篇文章。[1]Learning to optimize: Training deep neural networks for wireless resource management[2]Image style transfer using convolutional neural networks[3]Per
VGG16迁移学习实现 本文讨论迁移学习，它是一个非常强大的深度学习技术，在不同领域有很多应用。动机很简单，可以打个比方来解释。假设想学习一种新的语言，比如西班牙语，那么从已经掌握的另一种语言（比如英语）学起，可能是有用的。 按照这种思路，计算机视觉研究人员通常使用预训练 CNN 来生成新任务的表示
转载
2021-02-06 05:41:00
949阅读
2评论
虚拟化技术的明珠 VMotion实时迁移详解作者：小蚁 虚拟化正在改变人们对计算机的认识，说起虚拟化，VMotion估计是给人印象深刻的诸多亮点中的一个。VMware公司一直在虚拟化技术中占据领先的地位。因此VMware VMotion就好像站在了VMware这个巨人的肩膀上一样，在实时迁移技术领域，立于高峰之巅。VMware VMotion概述 VMware V
一、基于tensorflow的vgg16：识别猫狗数据集1 import os, shutil
2 current_dir = (r"E:\人工智能\猫狗数据集\dogs-vs-cats") # 当前目录
3 current_dir[0]
4 base_dir = current_dir[0] + ':/人工智能/cats_dogs_small'
5 os.mkdir(base_dir)
StyleTransfer-PyTorch风格迁移Content lossStyle lossTotal-variation regularization结果链接 在上次的Network Visualization之后，这次接着是Style Transfer，选择的还是PyTorch版本，个人认为这次代码还是比较简单有趣，也是直接在StyleTransfer-PyTorch.ipynb编写完成的
摘要本文对图片分类任务中经典的深度学习模型VGG16进行了简要介绍，分析了其结构，并讨论了其优缺点。调用Keras中已有的VGG16模型测试其分类性能，结果表明VGG16对三幅测试图片均能正确分类。前言VGG是由Simonyan 和Zisserman在文献中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。该模型参加2014年的 I
转载
2020-06-09 14:25:00
725阅读
2评论
转载
2019-03-07 23:46:00
313阅读
VGG（Visual Geometry Group）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛
原创
2023-04-09 10:44:24
833阅读
GBDT既可以用于回归，也可以用于分类。两者本质是一样的，分析流程也大致相同，区别在于loss function不同。首先，介绍一下提升方法，boosting就是把一系列的弱学习器反复学习，然后组合成强学习器。对于提升方法，主要需要回答两个问题：第一个是每一轮学习过程中如何改变训练数据的权值或概率分布；第二个就是如何将弱分类器组合成强分分类器。在前面讲到的Adaboost中，根据每次训练数据的误分
# 实现“pytorch vgg16”的步骤
本文将指导你如何使用PyTorch实现VGG16模型。VGG16是一种深度卷积神经网络，特别适用于图像分类任务。下面是实现的步骤：
| 步骤 | 描述 |
| --- | --- |
| 步骤一 | 导入必要的库和模块 |
| 步骤二 | 加载图像数据集 |
| 步骤三 | 数据预处理 |
| 步骤四 | 定义VGG16模型 |
| 步骤五 | 训
原创
2023-11-26 10:03:56
234阅读
1.网络结构根据卷积核大小和卷积层数，VGG共有6中配置，分别为A,A-LRN,B,C,D,E，其中D和E两种最为常用，即i我们所说的VGG16和VGG19。看下图红色框所示。具体为：1. 卷积-卷积-池化-卷积-卷积-池化-卷积-卷积-卷积-池化-卷积-卷积-卷积-池化-卷积-卷积-卷积-池化-全连接-全连接-全连接 。 2. 通道数分别为64，128，512，512，512，4096，4096
内容来自吴恩达老师视频哦，网易云课堂有哦VGG-16VGG，也叫作VGG-16网络。值得注意的一点是，VGG-16网络没有那么多超参数，这是一种只需要专注于构建卷积层的简单网络。首先用3×3，步幅为1的过滤器构建卷积层，padding参数为same卷积中的参数。然后用一个2×2，步幅为2的过滤器构建最大池化层。因此VGG网络的一大优点是它确实简化了神经网络结构，下面我们具体讲讲这种网络结构...
原创
2021-09-01 16:09:19
2616阅读
一、 前提：有Google账号（具体怎么注册账号这里不详述，大家都懂的，自行百度）在你的Google邮箱中关联好colab（怎样在Google邮箱中使用colab在此不详述，自行百度）二、 现在开始：因为我们使用的是colab，所以就不必为安装版本对应的anaconda、python以及tensorflow尔苦恼了，经过以下配置就可以直接开始使用了。在colab中新建代码块，运行以下代码来下载需
# PyTorch VGG16代码解析与应用
## 引言
深度学习技术在图像识别、计算机视觉等领域取得了显著的成果。其中，VGG是一种经典的卷积神经网络结构，常用于图像分类任务。本文将通过解析PyTorch中的VGG16代码，介绍VGG16的原理和应用。
## VGG16网络结构
VGG16是由Simonyan和Zisserman于2014年提出的一种深度卷积神经网络结构。它的名称“VGG
原创
2023-10-07 04:47:45
121阅读
OpenCV Python Grabcut分割【目标】Grabcut 算法创建一个交互程序【理论】从用户角度是如何工作的呢？用户在需要的目标上初始绘制一个矩形，前景目标必须完全在矩形内部，算法迭代的去分割然后得到更好的效果，但是有些情况下，分割效果不是很好，例如：会将部分前景标记为背景，反之亦然。这个时候，就需要用户做一些交互，告诉分割结果，哪些是前景哪些是背景，这样下次迭代就会得到更好的效果。背
转载
2024-01-03 14:18:12
24阅读
风格迁移原理 可以将VGGNet这样的网络结构看作为输入图像——提取特征——进行分类，而图片风格迁移是输入特征，输出对应这种特征的值。 简单介绍一下我实现风格迁移的基本思路，首先进行图片预处理，定义VGG19用于特种提取，然后复制一张与内容图相同的图片，分别将内容图、风格图、目标图放入神经网络进行特征提取，定义损失是采用均方差计算内容损失，利用Gram矩阵内积运算，运算后特征图越大的数字就会变得更
转载
2023-08-21 15:32:25
154阅读
本文基于vgg-16、inception_v3、resnet_v1_50模型进行fine-tune，完成一个二分类模型的训练。目录一、环境准备二、准备数据三、数据解析及图片预处理四、模型定义五、模型训练六、模型预测最后：完整代码 一、环境准备我使用了TensorFlow的model库中的slim模块，路径：https://github.com/tensorflow/models/tree
问题： 当你初次运行keras库时，需要下载，如VGG19，提示： Downloading data from https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5 并下载缓慢。解决方法： 1.在浏览器打开VG
原创
2023-03-08 01:09:24
293阅读
文章目录一 论文总体创新点二 研究背景、成果和意义2.1 研究背景2.2 研究成果三 摘要的核心四 VGG结构五 VGG特点5.1 堆叠3X3卷积5.2 尝试1X1卷积 借鉴NIN 可以增加非线性激活函数，提升模型效果六 训练技巧6.1 数据增强6.2 预训练模型初始化7 测试技巧7.1 多尺度测试7.2 稠密测试(Dense test)：将FC层转换为卷积操作，变为全卷积网络，实现任意尺度图片
