Coursera Deep Learning筆記 深度卷積網絡
參考 1. Why look at case studies 介紹幾個典型的CNN案例: LeNet-5 AlexNet VGG Residual Network ...
原文：Deep Learning 30: 卷積理解
一.深度卷積神經網絡學習筆記 一 ： . 這篇文章以賈清揚的ppt說明了卷積的實質，更說明了卷積輸出圖像大小應該為： 假設輸入圖像尺寸為W，卷積核尺寸為F，步幅 stride 為S 卷積核移動的步幅 ，Padding使用P 用於填充輸入圖像的邊界，一般填充 ,那么經過該卷積層后輸出的圖像尺寸為 W F P S 。 .它寫出為什么會用padding 卷積核大小該如何確定 stride該如何確定 二. ...
2017-02-22 16:24 0 5505 推薦指數：
相關推薦
Deep learning：四十六(DropConnect簡單理解)
和maxout(maxout簡單理解)一樣，DropConnect也是在ICML2013上發表的，同樣也是為了提高Deep Network的泛化能力的，兩者都號稱是對Dropout(Dropout簡單理解)的改進。 我們知道，Dropout是在訓練過程中以一定概率1-p ...
Deep Learning基礎--理解LSTM網絡
循環神經網絡(RNN) 人們的每次思考並不都是從零開始的。比如說你在閱讀這篇文章時，你基於對前面的文字的理解來理解你目前閱讀到的文字，而不是每讀到一個文字時，都拋棄掉前面的思考，從頭開始。你的記憶是有持久性的。 傳統的神經網絡並不能如此，這似乎是一個主要的缺點。例如，假設你在看一場電影，你想 ...
Deep learning：十九(RBM簡單理解)
這篇博客主要用來簡單介紹下RBM網絡，因為deep learning中的一個重要網絡結構DBN就可以由RBM網絡疊加而成，所以對RBM的理解有利於我們對DBN算法以及deep learning算法的進一步理解。Deep learning是從06年開始火得，得益於大牛Hinton的文章 ...
Deep learning：四十一(Dropout簡單理解)
前言 訓練神經網絡模型時，如果訓練樣本較少，為了防止模型過擬合，Dropout可以作為一種trikc供選擇。Dropout是hintion最近2年提出的，源於其文章Improving ...
Deep learning：四十五(maxout簡單理解)
maxout出現在ICML2013上，作者Goodfellow將maxout和dropout結合后，號稱在MNIST, CIFAR-10, CIFAR-100, SVHN這4個數據上都 ...
Deep learning：五十(Deconvolution Network簡單理解)
深度網絡結構是由多個單層網絡疊加而成的，而常見的單層網絡按照編碼解碼情況可以分為下面3類： 既有encoder部分也有decoder部分：比如常見的RBM系列（由RBM可 ...
Deep Learning 學習隨記（七）Convolution and Pooling --卷積和池化
圖像大小與參數個數： 前面幾章都是針對小圖像塊處理的，這一章則是針對大圖像進行處理的。兩者在這的區別還是很明顯的，小圖像（如8*8，MINIST的28*28）可以采用全連接的方式（即輸入層和隱含層直 ...