VGG卷积神经网络-笔记

VGG卷积神经网络-笔记
VGG是当前最流行的CNN模型之一，
2014年由Simonyan和Zisserman提出，
其命名来源于论文作者所在的实验室Visual Geometry Group。
在这里插入图片描述
测试结果为：
通过运行结果可以发现，在眼疾筛查数据集iChallenge-PM上使用VGG，loss能有效的下降，
经过5个epoch的训练，在验证集上的准确率可以达到94%左右。

实测准确率为0.94左右
[validation] accuracy/loss: 0.9400/0.1871

PS E:\project\python> & D:/ProgramData/Anaconda3/python.exe e:/project/python/PM/VGG_PM.py
W0803 17:19:47.159580  3832 gpu_resources.cc:61] Please NOTE: device: 0, GPU Compute Capability: 6.1, Driver API Version: 12.2, Runtime API Version: 10.2
W0803 17:19:47.168586  3832 gpu_resources.cc:91] device: 0, cuDNN Version: 7.6.
start training ...
epoch: 0, batch_id: 0, loss is: 0.7140
epoch: 0, batch_id: 20, loss is: 0.6399
[validation] accuracy/loss: 0.8675/0.3249
epoch: 1, batch_id: 0, loss is: 0.2456
epoch: 1, batch_id: 20, loss is: 0.3115
[validation] accuracy/loss: 0.9250/0.2395
epoch: 2, batch_id: 0, loss is: 0.2267
epoch: 2, batch_id: 20, loss is: 0.1179
[validation] accuracy/loss: 0.9050/0.3038
epoch: 3, batch_id: 0, loss is: 0.2367
epoch: 3, batch_id: 20, loss is: 0.3747
[validation] accuracy/loss: 0.9200/0.2123
epoch: 4, batch_id: 0, loss is: 0.3089
epoch: 4, batch_id: 20, loss is: 0.0130
[validation] accuracy/loss: 0.9400/0.1871

VGG网格 子图层结构
[Conv2D(3, 64, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(64, 64, kernel_size=[3, 3], padding=1, data_format=NCHW), 
MaxPool2D(kernel_size=2, stride=2, padding=0), Conv2D(64, 128, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(128, 128, kernel_size=[3, 3], padding=1, data_format=NCHW), 
MaxPool2D(kernel_size=2, stride=2, padding=0), Conv2D(128, 256, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(256, 256, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(256, 256, kernel_size=[3, 3], padding=1, data_format=NCHW), 
MaxPool2D(kernel_size=2, stride=2, padding=0), Conv2D(256, 512, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(512, 512, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(512, 512, kernel_size=[3, 3], padding=1, data_format=NCHW), 
MaxPool2D(kernel_size=2, stride=2, padding=0), Conv2D(512, 512, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(512, 512, kernel_size=[3, 3], padding=1, data_format=NCHW), 
Conv2D(512, 512, kernel_size=[3, 3], padding=1, data_format=NCHW), 
MaxPool2D(kernel_size=2, stride=2, padding=0), Linear(in_features=25088, out_features=4096, dtype=float32), 
ReLU(), 
Dropout(p=0.5, axis=None, mode=upscale_in_train), Linear(in_features=4096, out_features=4096, dtype=float32), 
ReLU(), 
Dropout(p=0.5, axis=None, mode=upscale_in_train), Linear(in_features=4096, out_features=1, dtype=float32)](10, 3, 224, 224)
[10, 3, 224, 224]
#VGG网格 子图层shape[N，Cout,H,W],w参数[Cout,Ci,Kh,Kw]，b参数[Cout]
conv2d_0 [10, 64, 224, 224] [64, 3, 3, 3] [64]
conv2d_1 [10, 64, 224, 224] [64, 64, 3, 3] [64]
max_pool2d_0 [10, 64, 112, 112]
conv2d_2 [10, 128, 112, 112] [128, 64, 3, 3] [128]
conv2d_3 [10, 128, 112, 112] [128, 128, 3, 3] [128]
max_pool2d_1 [10, 128, 56, 56]
conv2d_4 [10, 256, 56, 56] [256, 128, 3, 3] [256]
conv2d_5 [10, 256, 56, 56] [256, 256, 3, 3] [256]
conv2d_6 [10, 256, 56, 56] [256, 256, 3, 3] [256]
max_pool2d_2 [10, 256, 28, 28]
conv2d_7 [10, 512, 28, 28] [512, 256, 3, 3] [512]
conv2d_8 [10, 512, 28, 28] [512, 512, 3, 3] [512]
conv2d_9 [10, 512, 28, 28] [512, 512, 3, 3] [512]
max_pool2d_3 [10, 512, 14, 14]
conv2d_10 [10, 512, 14, 14] [512, 512, 3, 3] [512]
conv2d_11 [10, 512, 14, 14] [512, 512, 3, 3] [512]
conv2d_12 [10, 512, 14, 14] [512, 512, 3, 3] [512]
max_pool2d_4 [10, 512, 7, 7]
linear_0 [10, 4096] [25088, 4096] [4096]
re_lu_0 [10, 4096]
dropout_0 [10, 4096]
linear_1 [10, 4096] [4096, 4096] [4096]
re_lu_1 [10, 4096]
dropout_1 [10, 4096]
linear_2 [10, 1] [4096, 1] [1]
PS E:\project\python>

测试源代码如下所示：

# -*- coding:utf-8 -*-# VGG模型代码
import numpy as np
import paddle
# from paddle.nn import Conv2D, MaxPool2D, BatchNorm, Linear
from paddle.nn import Conv2D, MaxPool2D, BatchNorm2D, Linear# 定义vgg网络
class VGG(paddle.nn.Layer):def __init__(self, num_classes=1):super(VGG, self).__init__()in_channels = [3, 64, 128, 256, 512, 512]# 定义第一个block，包含两个卷积self.conv1_1 = Conv2D(in_channels=in_channels[0], out_channels=in_channels[1], kernel_size=3, padding=1, stride=1)self.conv1_2 = Conv2D(in_channels=in_channels[1], out_channels=in_channels[1], kernel_size=3, padding=1, stride=1)self.pool1 = MaxPool2D(stride=2, kernel_size=2)# 定义第二个block，包含两个卷积self.conv2_1 = Conv2D(in_channels=in_channels[1], out_channels=in_channels[2], kernel_size=3, padding=1, stride=1)self.conv2_2 = Conv2D(in_channels=in_channels[2], out_channels=in_channels[2], kernel_size=3, padding=1, stride=1)self.pool2 = MaxPool2D(stride=2, kernel_size=2)# 定义第三个block，包含三个卷积self.conv3_1 = Conv2D(in_channels=in_channels[2], out_channels=in_channels[3], kernel_size=3, padding=1, stride=1)self.conv3_2 = Conv2D(in_channels=in_channels[3], out_channels=in_channels[3], kernel_size=3, padding=1, stride=1)self.conv3_3 = Conv2D(in_channels=in_channels[3], out_channels=in_channels[3], kernel_size=3, padding=1, stride=1)self.pool3 = MaxPool2D(stride=2, kernel_size=2)# 定义第四个block，包含三个卷积self.conv4_1 = Conv2D(in_channels=in_channels[3], out_channels=in_channels[4], kernel_size=3, padding=1, stride=1)self.conv4_2 = Conv2D(in_channels=in_channels[4], out_channels=in_channels[4], kernel_size=3, padding=1, stride=1)self.conv4_3 = Conv2D(in_channels=in_channels[4], out_channels=in_channels[4], kernel_size=3, padding=1, stride=1)self.pool4 = MaxPool2D(stride=2, kernel_size=2)# 定义第五个block，包含三个卷积self.conv5_1 = Conv2D(in_channels=in_channels[4], out_channels=in_channels[5], kernel_size=3, padding=1, stride=1)self.conv5_2 = Conv2D(in_channels=in_channels[5], out_channels=in_channels[5], kernel_size=3, padding=1, stride=1)self.conv5_3 = Conv2D(in_channels=in_channels[5], out_channels=in_channels[5], kernel_size=3, padding=1, stride=1)self.pool5 = MaxPool2D(stride=2, kernel_size=2)# 使用Sequential 将全连接层和relu组成一个线性结构（fc + relu）# 当输入为224x224时，经过五个卷积块和池化层后，特征维度变为[512x7x7]=25088#self.fc1 = paddle.nn.Sequential(paddle.nn.Linear(512 * 7 * 7, 4096), paddle.nn.ReLU())self.fc1 = paddle.nn.Linear(512 * 7 * 7, 4096)self.relu1=paddle.nn.ReLU()self.drop1_ratio = 0.5self.dropout1 = paddle.nn.Dropout(self.drop1_ratio, mode='upscale_in_train')# 使用Sequential 将全连接层和relu组成一个线性结构（fc + relu）#self.fc2 = paddle.nn.Sequential(paddle.nn.Linear(4096, 4096), paddle.nn.ReLU())self.fc2 = paddle.nn.Linear(4096, 4096)self.relu2=paddle.nn.ReLU()self.drop2_ratio = 0.5self.dropout2 = paddle.nn.Dropout(self.drop2_ratio, mode='upscale_in_train')self.fc3 = paddle.nn.Linear(4096, 1)#self.relu = paddle.nn.ReLU()#self.pool = MaxPool2D(stride=2, kernel_size=2)def forward(self, x):x = self.relu1(self.conv1_1(x))x = self.relu1(self.conv1_2(x))x = self.pool1(x)x = self.relu1(self.conv2_1(x))x = self.relu1(self.conv2_2(x))x = self.pool2(x)x = self.relu1(self.conv3_1(x))x = self.relu1(self.conv3_2(x))x = self.relu1(self.conv3_3(x))x = self.pool3(x)x = self.relu1(self.conv4_1(x))x = self.relu1(self.conv4_2(x))x = self.relu1(self.conv4_3(x))x = self.pool4(x)x = self.relu1(self.conv5_1(x))x = self.relu1(self.conv5_2(x))x = self.relu1(self.conv5_3(x))x = self.pool5(x)x = paddle.flatten(x, 1, -1)x = self.dropout1(self.relu1(self.fc1(x)))x = self.dropout2(self.relu2(self.fc2(x)))x = self.fc3(x)return x
#
import PM
# 创建模型
model = VGG()
# opt = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
opt = paddle.optimizer.Momentum(learning_rate=0.001, momentum=0.9, parameters=model.parameters())# 启动训练过程
PM.train_pm(model, opt)   # 输入数据形状是 [N, 3, H, W]
# 这里用np.random创建一个随机数组作为输入数据
x = np.random.randn(*[10,3,224,224])
x = x.astype('float32')
# 创建CNN类的实例，指定模型名称和分类的类别数目
#model = VGG(1)
#
PM.DisplayCNN_layers(model,x)
#

PM.py源代码

#数据处理
#==============================================================================================
import cv2
import random
import numpy as np
import os
from paddle.nn import Conv2D, MaxPool2D, Linear, Dropout
## 组网
import paddle.nn.functional as F# 对读入的图像数据进行预处理
def transform_img(img):# 将图片尺寸缩放道 224x224img = cv2.resize(img, (224, 224))# 读入的图像数据格式是[H, W, C]# 使用转置操作将其变成[C, H, W]img = np.transpose(img, (2,0,1))img = img.astype('float32')# 将数据范围调整到[-1.0, 1.0]之间img = img / 255.img = img * 2.0 - 1.0return img# 定义训练集数据读取器
def data_loader(datadir, batch_size=10, mode = 'train'):# 将datadir目录下的文件列出来，每条文件都要读入filenames = os.listdir(datadir)def reader():if mode == 'train':# 训练时随机打乱数据顺序random.shuffle(filenames)batch_imgs = []batch_labels = []for name in filenames:filepath = os.path.join(datadir, name)img = cv2.imread(filepath)img = transform_img(img)if name[0] == 'H' or name[0] == 'N':# H开头的文件名表示高度近似，N开头的文件名表示正常视力# 高度近视和正常视力的样本，都不是病理性的，属于负样本，标签为0label = 0elif name[0] == 'P':# P开头的是病理性近视，属于正样本，标签为1label = 1else:raise('Not excepted file name')# 每读取一个样本的数据，就将其放入数据列表中batch_imgs.append(img)batch_labels.append(label)if len(batch_imgs) == batch_size:# 当数据列表的长度等于batch_size的时候，# 把这些数据当作一个mini-batch，并作为数据生成器的一个输出imgs_array = np.array(batch_imgs).astype('float32')labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)yield imgs_array, labels_arraybatch_imgs = []batch_labels = []if len(batch_imgs) > 0:# 剩余样本数目不足一个batch_size的数据，一起打包成一个mini-batchimgs_array = np.array(batch_imgs).astype('float32')labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)yield imgs_array, labels_arrayreturn reader# 定义验证集数据读取器
def valid_data_loader(datadir, csvfile, batch_size=10, mode='valid'):# 训练集读取时通过文件名来确定样本标签，验证集则通过csvfile来读取每个图片对应的标签# 请查看解压后的验证集标签数据，观察csvfile文件里面所包含的内容# csvfile文件所包含的内容格式如下，每一行代表一个样本，# 其中第一列是图片id，第二列是文件名，第三列是图片标签，# 第四列和第五列是Fovea的坐标，与分类任务无关# ID,imgName,Label,Fovea_X,Fovea_Y# 1,V0001.jpg,0,1157.74,1019.87# 2,V0002.jpg,1,1285.82,1080.47# 打开包含验证集标签的csvfile，并读入其中的内容filelists = open(csvfile).readlines()def reader():batch_imgs = []batch_labels = []for line in filelists[1:]:line = line.strip().split(',')name = line[1]label = int(line[2])# 根据图片文件名加载图片，并对图像数据作预处理filepath = os.path.join(datadir, name)img = cv2.imread(filepath)img = transform_img(img)# 每读取一个样本的数据，就将其放入数据列表中batch_imgs.append(img)batch_labels.append(label)if len(batch_imgs) == batch_size:# 当数据列表的长度等于batch_size的时候，# 把这些数据当作一个mini-batch，并作为数据生成器的一个输出imgs_array = np.array(batch_imgs).astype('float32')labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)yield imgs_array, labels_arraybatch_imgs = []batch_labels = []if len(batch_imgs) > 0:# 剩余样本数目不足一个batch_size的数据，一起打包成一个mini-batchimgs_array = np.array(batch_imgs).astype('float32')labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)yield imgs_array, labels_arrayreturn reader# -*- coding: utf-8 -*-
#  识别眼疾图片
import os
import random
import paddle
import numpy as npDATADIR  = './PM/palm/PALM-Training400/PALM-Training400'
DATADIR2 = './PM/palm/PALM-Validation400'
CSVFILE  = './PM/labels.csv'
# 设置迭代轮数
EPOCH_NUM = 5# 定义训练过程
def train_pm(model, optimizer):# 开启0号GPU训练use_gpu = Truepaddle.device.set_device('gpu:0') if use_gpu else paddle.device.set_device('cpu')print('start training ... ')model.train()# 定义数据读取器，训练数据读取器和验证数据读取器train_loader = data_loader(DATADIR, batch_size=10, mode='train')valid_loader = valid_data_loader(DATADIR2, CSVFILE)for epoch in range(EPOCH_NUM):for batch_id, data in enumerate(train_loader()):x_data, y_data = dataimg = paddle.to_tensor(x_data)label = paddle.to_tensor(y_data)#print('image.shape=',img.shape)# 运行模型前向计算，得到预测值logits = model(img)loss = F.binary_cross_entropy_with_logits(logits, label)avg_loss = paddle.mean(loss)if batch_id % 20 == 0:print("epoch: {}, batch_id: {}, loss is: {:.4f}".format(epoch, batch_id, float(avg_loss.numpy())))# 反向传播，更新权重，清除梯度avg_loss.backward()optimizer.step()optimizer.clear_grad()model.eval()accuracies = []losses = []for batch_id, data in enumerate(valid_loader()):x_data, y_data = dataimg = paddle.to_tensor(x_data)label = paddle.to_tensor(y_data)# 运行模型前向计算，得到预测值logits = model(img)# 二分类，sigmoid计算后的结果以0.5为阈值分两个类别# 计算sigmoid后的预测概率，进行loss计算pred = F.sigmoid(logits)loss = F.binary_cross_entropy_with_logits(logits, label)# 计算预测概率小于0.5的类别pred2 = pred * (-1.0) + 1.0# 得到两个类别的预测概率，并沿第一个维度级联pred = paddle.concat([pred2, pred], axis=1)acc = paddle.metric.accuracy(pred, paddle.cast(label, dtype='int64'))accuracies.append(acc.numpy())losses.append(loss.numpy())print("[validation] accuracy/loss: {:.4f}/{:.4f}".format(np.mean(accuracies), np.mean(losses)))model.train()paddle.save(model.state_dict(), 'palm.pdparams')paddle.save(optimizer.state_dict(), 'palm.pdopt')
# 定义评估过程
def evaluation(model, params_file_path):# 开启0号GPU预估use_gpu = Truepaddle.device.set_device('gpu:0') if use_gpu else paddle.device.set_device('cpu')print('start evaluation .......')#加载模型参数model_state_dict = paddle.load(params_file_path)model.load_dict(model_state_dict)model.eval()eval_loader = data_loader(DATADIR, batch_size=10, mode='eval')acc_set = []avg_loss_set = []for batch_id, data in enumerate(eval_loader()):x_data, y_data = dataimg = paddle.to_tensor(x_data)label = paddle.to_tensor(y_data)y_data = y_data.astype(np.int64)label_64 = paddle.to_tensor(y_data)# 计算预测和精度prediction, acc = model(img, label_64)# 计算损失函数值loss = F.binary_cross_entropy_with_logits(prediction, label)avg_loss = paddle.mean(loss)acc_set.append(float(acc.numpy()))avg_loss_set.append(float(avg_loss.numpy()))# 求平均精度acc_val_mean = np.array(acc_set).mean()avg_loss_val_mean = np.array(avg_loss_set).mean()print('loss={:.4f}, acc={:.4f}'.format(avg_loss_val_mean, acc_val_mean))
#==============================================================================================
#定义显示CNN模型参数结构
#====================================================== 
def DisplayCNN_layers(model,x):# 通过调用CNN从基类继承的sublayers()函数，# 查看CNN中所包含的子层print(model.sublayers())print(x.shape)x = paddle.to_tensor(x)print(x.shape)for item in model.sublayers():# item是CNN类中的一个子层# 查看经过子层之后的输出数据形状try:x = item(x)except:x = paddle.reshape(x, [x.shape[0], -1])x = item(x)if len(item.parameters())==2:# 查看卷积和全连接层的数据和参数的形状，# 其中item.parameters()[0]是权重参数w，item.parameters()[1]是偏置参数bprint(item.full_name(), x.shape, item.parameters()[0].shape, item.parameters()[1].shape)else:# 池化层没有参数print(item.full_name(), x.shape)  
#======================================================

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/74324.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Prometheus中的关键设计

Prometheus中的关键设计

1、标准先行，注重生态 Prometheus 最重要的规范就是指标命名方式，数据格式简单易读。比如，对于应用层面的监控，可以要求必须具备这几个信息。 指标名称 metric Prometheus 内置建立的规范就是叫 metric（即 __name__…
阅读更多...
C++ 用指针处理数组元素

C++ 用指针处理数组元素

指针加减运算的特点使得指针特别合适于处理存储在一段连续内存空间中的同类数据。而数组恰好是具有一定顺序关系的若干同类型变量的集合体，数组元素的存储在物理上也是连续的，数组名就是数组存储的首地址。这样，便可以使用指针来对数组及其元…
阅读更多...
使用docker 搭建nginx + tomcat 集群

使用docker 搭建nginx + tomcat 集群

创建3个Tomcat容器，端口分别映射到 8080,8081,8082，使用数据卷挂载，分别将宿主机目录下的 /opt/module/docker/tomcat3/ROOT1/，/opt/module/docker/tomcat3/ROOT2/，/opt/module/docker/tomcat3/ROOT2/ 挂载到 容器内部…
阅读更多...
Gitignore忽略文件

Gitignore忽略文件

默认情况下，Git会监视我们项目中的所有内容，但是有些内容比如mode_modules中的内容，我们不希望他被Git所管理。 我们可以在我们项目目录中添加一个 .gitignore 文件来设置那些需要git忽略的文件。
阅读更多...
rest-apiV2.0.0升级为simplest-api开源框架生态之simplest-jpa发布

rest-apiV2.0.0升级为simplest-api开源框架生态之simplest-jpa发布

什么是 simplest simplest 追求存粹简单和极致。 旨在为项目快速开发提供一系列的基础能力，方便用户根据项目需求快速进行功能拓展 不在去关心一些繁琐。重复工作，而是把重点聚焦到业务。 前言 程序 10 年。作为一个多年程序。深知每个项目和程序&a…
阅读更多...
通用商城项目（中）

通用商城项目（中）

金山编译器出问题了。下面段落标号全出问题了，排版也出问题了。懒得改了。 使用对象存储OSS，保存品牌logo 新建Module，提供上传、显示服务 有些不明所以的，按照steinliving-commodity配置了一通pom.xml 新建application.yml&…
阅读更多...
实现邮箱管理之gmail邮箱、office365（Azure）邮箱之披荆斩棘问题一览

实现邮箱管理之gmail邮箱、office365（Azure）邮箱之披荆斩棘问题一览

要进行Office365邮箱的授权对接，你需要先申请一个应用，并获取授权访问令牌。 以下是一个简单的步骤： 登录 Azure 门户：https://portal.azure.com/创建一个新的应用程序，或者使用现有的应用程序。要创建新的应用程序&…
阅读更多...
从0到1开发go-tcp框架【3-读写协程分离、引入消息队列、进入连接管理器、引入连接属性】【基础篇完结】

从0到1开发go-tcp框架【3-读写协程分离、引入消息队列、进入连接管理器、引入连接属性】【基础篇完结】

从0到1开发go-tcp框架【3-读写协程分离、引入消息队列、进入连接管理器、引入连接属性】 1 读写协程分离[v0.7] 添加一个Reader和Writer之间通信的channel添加一个Writer goroutineReader由之前直接发送给客户端改为发送给通信channel启动Reader和Writer一起工作 zinx/znet/co…
阅读更多...
【Golang 接口自动化05】使用yml管理自动化用例

【Golang 接口自动化05】使用yml管理自动化用例

目录 YAML 基本语法 对象：键值对的集合(key:value) 数组：一组按顺序排列的值 字面量：单个的、不可再分的值（数字、字符串、布尔值） yml 格式的测试用例 定义yml文件 创建结构体 读取yml文件中的用例数据 调试…
阅读更多...
【1.3】Java微服务：Spring Cloud版本说明

【1.3】Java微服务：Spring Cloud版本说明

✅作者简介：大家好，我是 Meteors., 向往着更加简洁高效的代码写法与编程方式，持续分享Java技术内容。 🍎个人主页：Meteors.的博客 💞当前专栏： 微服务 ✨特色专栏： 知识分享 &#x…
阅读更多...
【后端面经】微服务构架 (1-6) | 隔离：如何确保心悦会员体验无忧？唱响隔离的鸣奏曲！

【后端面经】微服务构架 (1-6) | 隔离：如何确保心悦会员体验无忧？唱响隔离的鸣奏曲！

文章目录 一、前置知识1、什么是隔离？2、为什么要隔离？3、怎么进行隔离？A) 机房隔离B) 实例隔离C) 分组隔离D) 连接池隔离 与 线程池隔离E) 信号量隔离F) 第三方依赖隔离二、面试环节1、面试准备2、基本思路3、亮点方案A) 慢任务隔离B) 制作库与线上库分离三、章节总结 …
阅读更多...
深度学习各层负责什么内容？

深度学习各层负责什么内容？

1、深度学习——神经网络简介 深度学习(Deep Learning)(也称为深度结构学习【Deep Structured Learning】、层次学习【Hierarchical Learning】或者是深度机器学习【Deep Machine Learning】)是一类算法集合，是机器学习的一个分支。 深度学习方法近年来&#xff0c…
阅读更多...
元宇宙虚拟展厅的特点是什么呢？优势有哪些？

元宇宙虚拟展厅的特点是什么呢？优势有哪些？

元宇宙是一个很广阔的虚拟世界，它可以创造出更为丰富、沉浸式的体验，这种全新的体验为展览和艺术领域带来了更多的可能性，元宇宙虚拟展厅以其多样化、互动性、沉浸式展示的特点，带领大家进入一个虚拟现实的全新世界。 元宇宙虚拟展…
阅读更多...
ai创作系统CHATGPT支持GPT4.0+支持ai绘画(MJ)+ai绘画(SD)集合几百种AI智能工具

ai创作系统CHATGPT支持GPT4.0+支持ai绘画(MJ)+ai绘画(SD)集合几百种AI智能工具

生成的AI绘画 非常的奈斯 包括GPT
阅读更多...
MACOM EDI 需求分析

MACOM EDI 需求分析

MACOM 是一家全球性半导体公司，专注于设计和制造高性能射频、微波和光电元件，其产品被广泛应用于通信、航空航天、国防、工业和医疗等领域。随着 MACOM 的不断发展，传统数据传输方式效率较低，无法满足 MACOM 的需求。为了提高企业…
阅读更多...
使用自适应去噪在线顺序极限学习机预测飞机发动机剩余使用寿命(Matlab代码实现）

使用自适应去噪在线顺序极限学习机预测飞机发动机剩余使用寿命(Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥 🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️座右铭&a…
阅读更多...
代理模式--静态代理和动态代理

代理模式--静态代理和动态代理

1.代理模式 定义：代理模式就是代替对象具备真实对象的功能，并代替真实对象完成相应的操作并且在不改变真实对象源代码的情况下扩展其功能，在某些情况下，⼀个对象不适合或者不能直接引⽤另⼀个对象，⽽代理对象可以在客户…
阅读更多...
【前端知识】React 基础巩固(三十六)——RTK中的异步操作

【前端知识】React 基础巩固(三十六)——RTK中的异步操作

React 基础巩固(三十六)——RTK中的异步操作 一、RTK中使用异步操作 引入RTK中的createAsyncThunk，在extraReducers中监听执行状态 import { createSlice, createAsyncThunk } from "reduxjs/toolkit"; import axios from "axios";export cons…
阅读更多...
Spring事务传播机制、实现方式、失效场景即原理

Spring事务传播机制、实现方式、失效场景即原理

贴一篇源码分析的好文章：https://blog.csdn.net/qq_30905661/article/details/114400417 本质： 一个事务对应一个数据库连接。 通过 this 来调用某个带有 Transactional 注解的方法时，这个注解是失效的，可以看做这个方法&#x…
阅读更多...
安防视频汇聚平台EasyCVR视频广场面包屑侧边栏支持拖拽操作

安防视频汇聚平台EasyCVR视频广场面包屑侧边栏支持拖拽操作

智能视频监控平台EasyCVR能在复杂的网络环境中，将海量设备实现集中统一接入与汇聚管理，实现视频的处理与分发、录像与存储、按需调阅、平台级联等。 TSINGSEE青犀视频汇聚平台EasyCVR可拓展性强、视频能力灵活、部署轻快，可支持的主流标准协…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023