深度学习中什么是卷积， 它是如何工作的1、数学物理层面数学上，连续卷积的定义如下： (f g)(t) = ∫[f(τ) g(t - τ)] dτ 其中， 表示卷积操作，f(t) 和 g(t) 是两个函数，(f g)(t) 是它们的卷积结果。 它的物理含义可以理解为：系统某一时刻的输出是由多个输入共同作用（叠加）的结果。 具体解释如下： 假设有两个物理量（例如信号，场或系统响应等），可用公式中的函数f(t) 和 g(t)表示。在物理上，卷积大概可以理解为：系统某一时刻的输出是由多个输入共同作用(叠加)的结果。 g(t) 是系统的响应函数（或滤波器）。它描述了系统对输入信号 f(t) 的响应方式。g(t) 中的每一个值表示了在时间 t 时，系统对输入信号的加权响应。 在卷积过程中，我们考虑了 f(t) 中的每个时间点 τ，并将其与 g(t - τ) 相乘。这相当于在时间轴上对 g(t - τ) 进行了平移，然后与 f(t) 相乘。这个过程捕捉了在不同时间点上，系统响应函数 g(t) 对输入信号 f(t) 的影响。 最后，通过对所有时间点的乘积进行积分，我们将所有加权的响应值进行累 ...

实现过程搭建两层全连接网络 12345678910class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.hidden = torch.nn.Linear(n_feature, n_hidden) self.predict = torch.nn.Linear(n_hidden, n_output) def forward(self, x): x = F.relu(self.hidden(x)) x = self.predict(x) return x 预测的值画成曲线 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869 ...

1、简介GoogleNet在2014年由Google团队提出，斩获当年ImageNet竞赛中Classification Task分类任务第一名。 论文原文： GoogleNet原文) 首先介绍一下该网络的亮点： 引入Inception结构(融合不同尺度的特征信息) 使用1×1的卷积核进行降维以及映射处理 添加两个辅助分类器帮助训练 丢弃全连接层，使用平均池化层(大大减少模型参数, 除去两个辅助分类器， 网络大小只有vgg的1/20) 接着分析一下Inception结构： ​ 左图是论文中提出的inception原始结构， 右图是inception加上降维功能的结构。 先看左图， inception一共有4个分支， 也就是说输入的特征矩阵并行通过这个4个分支得到四个输出， 然后在将这个四个输出在深度维度(channel维度)进行拼接得到最终的输出(注意：为了让四个分支的输出能够在深度方向进行拼接， 必须保证四个分支输出的特征矩阵高度和宽度都相同) 分支1是卷积核大小为1×1的卷积层， stride=1 分支2是卷积核大小为3×3的卷积层， stride=1， ...

1、简介论文原文： VggNet原文](https://arxiv.org/pdf/1409.1556.pdf)) VGG由牛津大学视觉几何小组(Visual Geometry Group, VGG)提出的一种深层卷积网， 该网络在2014年获得定位任务的第一名， 分类任务的第二名。VGG可以看成是加深版的AlexNet， 都是conv + FC layer组成。 下图是VGG16模型的结构简图 网络的亮点 通过堆叠多个3×3的卷积代替大尺度卷积核 (在保证相同感受野的前提下能够减少所需的参数量) 论文中提到，通过堆叠两个3×3的卷积核代替5×5的卷积核， 堆叠三个3×3的卷积核代替7×7的卷积核。It is easy to see that a stack of two 3 × 3 conv layers (without spatial pooling in between) has an effective receptive field of 5 × 5; three such layers have a 7 × 7 effective receptive field ...

1、AlexNet简介Alexnet是2012年ILSVRC 2012(ImageNet Large Scale Visual Recognition Challenge)竞赛的冠军网络， 分类准确率由传统的70%提升到80%(当时传统方法已进入瓶颈期，所以这么大的提升是非常厉害的)。它是由Hinton和他的学生Alex设计的。也是在那年之后，深度学习模型开始迅速发展。下面的图就是Alexnet原论文中截取的网络结构图。 Alexnet论文原文， AlexNet 图中有上下两部分是因为作者使用两块GPU进行并行训练， 所以上下两部分的结果是一模一样的。我们直接看下面部分就行了。 接着说说该网络的亮点： (1)首次使用了GPU进行网络加速训练 (2)使用了ReLU激活函数， 而不是传统的Sigmoid激活函数以及Tanh激活函数 (3)使用了LRN局部相应归一化 (4)在全连接层的前两层使用了Dropout方法按照一定比例随机失活神经元，以减少过拟合 接着给出卷积或池化后的矩阵尺寸大小计算公式 N = (W - F + 2p)/s + 1 其中w是输入图片大小， F是 卷积核或池 ...

1、 scipy中常用的数据结构1.1 scipy.sparse.coo_matrixcoo_matrix全称是A sparse matrix in Coordinate format， 一种基于坐标格式的系数矩阵， 每个矩阵时一个三元组（行， 列， 值） 构造方法如下： 12345678910111213141516171819202122232425262728293031323334import numpy as npfrom scipy.sparse import coo_matrixcoo = coo_matrix(np.array([1, 0, 3, 0, 5, 6]).reshape(2, 3))print(coo)""" (0, 0) 1 (0, 1) 2 (0, 2) 3 (1, 0) 4 (1, 1) 5 (1, 2) 6 coo_matrix中值表示非零元素， 如果该位置是0， 则没有改行的数值 如， 当输入的array是[1, 0, 3, 0, 5] (0, 0) 1 (0, 2) 3 (1, 1) 5 ...

1. neo4j数据类型1.Node: 节点， 基本语法：Node(label, *properties) 第一步：连接neo4j数据库 1234from py2neo import *url = "http://localhost:7474"graph = Graph(url, username="neo4j", password="szyh") 第二步：创建节点： 12345678910# 建立节点node_1 = Node("英雄", name="张无忌")node_2 = Node("英雄", name="杨道", 武力值='100')node_3 = Node("派别", name="明教")# 存入图数据库graph.create(node_1)graph.create(node_2)graph.create(node_3)print(node_1) 2 relation ...

自我介绍。。。待更新 后续计划 希望你的加入

Quick StartCreate a new post1$ hexo new "My New Post" More info: Writing Run server1$ hexo server More info: Server Generate static files1$ hexo generate More info: Generating Deploy to remote sites1$ hexo deploy More info: Deployment