AlexNet 一些前置知识 top-1 和top-5错误率 top-1错误率指的是在最后的n哥预测结果中，只有预测概率最大对应的类别是正确答案才算预测正确。 top-5错误率指的是在最后的n个预测结果中，只要预测概率最大的前五个中含有正确答案就算预测正确。 max-pooling层 最大池化又叫做
1 Forewords 卷积，但不止卷积 - FFT 漫谈 先有 FT，再有 DFT，才有 FFT 时频转换是最初的用途 发现单位根优秀性质，James Cooley, John Tukey 发明现代 FFT 加速 DFT，但此前相似的发现早已有之 后来将 DFT 与卷积定理联系，FFT 才被用于计
> 本文全面探讨了卷积神经网络CNN，深入分析了背景和重要性、定义与层次介绍、训练与优化，详细分析了其卷积层、激活函数、池化层、归一化层，最后列出其训练与优化的多项关键技术：训练集准备与增强、损失函数、优化器、学习率调整、正则化技巧与模型评估调优。旨在为人工智能学者使用卷积神经网络CNN提供全面的指
摘要：神经网络的压缩算法是，旨在将一个庞大而复杂的预训练模型（pre-trained model）转化为一个精简的小模型。 本文分享自华为云社区《卷积神经网络压缩方法总结》，作者：嵌入式视觉 。 我们知道，在一定程度上，网络越深，参数越多，模型越复杂，其最终效果越好。神经网络的压缩算法是，旨在将一个
摘要：本文主要对CoordConv的理论进行了介绍，对其进行了复现，并展示了其在网络结构中的用法。 本文分享自华为云社区《CoordConv：给你的卷积加上坐标》，作者： 李长安。 一、理论介绍 1.1 CoordConv理论详解 这是一篇考古的论文复现项目，在2018年作者提出这个CoordCon
摘要：本项目主要介绍了如何使用卷积神经网络去检测翻拍图片，主要为摩尔纹图片；其主要创新点在于网络结构上，将图片的高低频信息分开处理。 本文分享自华为云社区《图片去摩尔纹简述与代码实现》，作者： 李长安。 1前言 当感光元件像素的空间频率与影像中条纹的空间频率接近时，可能产生一种新的波浪形的干扰图案，
本文介绍ICLR2023的方法Spark，实现了基于CNN的MAE。
具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能 卷积神经网络（CNN）通过从原始数据中自动学习层次特征表示，在图像识别任务中取得了巨大成功。虽然大多数时间序列分类（TSC）文献都集中在1D信号上，但本文使用递归图（RP）将时间序列转换为2D纹理
学习&转载文章：使用Python的一维卷积 背景 在开发机器学习算法时，最重要的事情之一（如果不是最重要的话）是提取最相关的特征，这是在项目的特征工程部分中完成的。 在CNNs中，此过程由网络自动完成。特别是在早期层中，网络试图提取图像的最重要的特征，例如边缘和形状。 另一方面，在最后一层中，它将能
主要介绍神经网络中的卷积层操作，包括构建卷积层、处理图像、可视化
摘要：本文通过多种操作构建混合模型，增强视觉Transformer捕捉空间相关性的能力和其进行通道多样性表征的能力，弥补了Transformer在小数据集上从头训练的精度与传统的卷积神经网络之间的差距。 本文分享自华为云社区《[NeurIPS 2022] 消除视觉Transformer与卷积神经网络
关于torch.nn.functional操作的深入理解，主要介绍卷积计算过程。
# 狄利克雷卷积和莫比乌斯反演 > 看了《组合数学》，再听了学长讲的……感觉三官被颠覆…… [TOC] ## 狄利克雷卷积 如此定义： $$ (f*g)(n) = \sum_{xy = n} f(x)g(y) $$ 或者可以写为 $$ (f * g)(n) = \sum_{d | n} f(d) g
摘要：本文深度讲解了卷积计算的原理，并详细介绍了构成所有卷积网络主干的基本元素，包括卷积层本身、填充和步幅的基本细节、用于在相邻区域汇聚信息的汇聚层，最后给出卷积层和汇聚层的代码示例和CNN框架结构图。 本文分享自华为云社区《神经网络基础部件-卷积层详解》，作者： 嵌入式视觉 。 前言 在全连接层构
摘要：对于池化层和步长为2的卷积层来说，个人的理解是这样的，池化层是一种先验的下采样方式，即人为的确定好下采样的规则；而对于步长为2的卷积层来说，其参数是通过学习得到的，采样的规则是不确定的。 本文分享自华为云社区《对于池化层和步长为2的卷积层的一些思考》，作者： 李长安。 引言 对于池化层和步长为
摘要：不同于传统的卷积，八度卷积主要针对图像的高频信号与低频信号。 本文分享自华为云社区《OctConv：八度卷积复现》，作者：李长安 。 论文解读 八度卷积于2019年在论文《Drop an Octave: Reducing Spatial Redundancy in Convolutional
具体的软硬件实现点击http://mcu-ai.com/MCU-AI技术网页_MCU-AI人工智能 心音分类在心血管疾病的早期发现中起着至关重要的作用，特别是对于小型初级卫生保健诊所。尽管近年来心音分类取得了很大进展，但其中大多数都是基于传统的分段特征和基于浅层结构的分类器。这些传统的声学表示和分类
最近，有一些大型内核卷积网络的研究，但考虑到卷积的平方复杂度，扩大内核会带来大量的参数，继而引发严重的优化问题。受人类视觉的启发，论文提出了外围卷积，通过参数共享将卷积的复杂性从 \(O(K^{2})\) 降低到 \(O(\mathrm{log} K)\)，有效减少 90% 以上的参数数量并设法将内
大侠幸会，在下全网同名[算法金] 0 基础转 AI 上岸，多个算法赛 Top [日更万日，让更多人享受智能乐趣] 读者问了个关于卷积神经网络核心概念的问题，如下， 【问】神经元、权重、激活函数、参数、图片尺寸，卷积层、卷积核，特征图，平均池化，全家平均池化，全连接层、隐藏层，输出层 【完整问题】神
博客园 我的博客 快速沃尔什变换解决的卷积问题 快速沃尔什变换（FWT）是解决这样一类卷积问题： \[c_i=\sum_{i=j\odot k}a_jb_k \]其中，\(\odot\) 是位运算的一种。举个例子，给定数列 \(a,b\)，求： \[c_i=\sum_{j\oplus k=i} a_
