搜索资源列表
CNN
- 卷积神经网络是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的， 另一方面同一层中某些神经元之间的连接的权重是共享的（即相同的）。它的非全连接和权值共享的网络结构使之更类似于生物 神经网络，降低了网络模型的复杂度（对于很难学习的深层结构来说，这是非常重要的），减少了权值的数量。-Convolution neural network is a kind of special deep neural network model, its particula
image-sentiment-analysis
- 图片情感分析模型，基于卷积神经网络，以颜色特征为依据进行情感分类，图片情感极性分为积极和消极两类。(The model can extract the hue, brightness, contrast and other information from a picture to represent the emotional polarity of the image. The image sentiment analysis model is using convolution neura
cnn-示例
- 卷积神经网络的结构模型，可实现对图像进行训练与识别(The structure model of the convolution neural network can realize the training and recognition of the image)
卷积神经网络详述
- 从卷积神经网络的发展历史开始，详细阐述了卷积神经网络的网络结构、神经元模型和训练算法。在此基础上以卷积神经网络在人脸检测和形状识别方面的应用为例，简单介绍了卷积神经网络在工程上的应用，并给出了设计思路和网络结构。(Starting from the history of the convolution neural network, the network structure, neuron model and training algorithm of the convolution neur
gcForest-master
- 基于决策树构建深度森林模型实现较高特征表示能力相比深度卷积神经网络(Building deep forest model based on decision tree to achieve higher feature representation ability compared with deep convolution neural network)
mnist
- 利用keras实现手写数字识别，使用CNN模型 全连接层+两个卷积层，最后Softmax分类器，识别率超过96%(Using keras to realize handwritten numeral recognition baesd on CNN model. One whole connection layer + two convolution layers, and a Softmax classifier. The recognition accuracy is over 96%
mnist
- 使用了全连接网络，卷积神经网络，循环神经网络分别构建不同的分类器，如何通过模型保存原理进行保存。(Using the fully connected network and convolution neural network, recurrent neural network builds different classifiers respectively, and how to save them through the preservation principle of the mode
squeezeDet-master
- 一种应用于目标检测中同时满足上述所有约束条件的全卷积神经网络结构。在我们的网络中，使用卷积层不只是用来提取特征图，同时也是作为输出层去计算边界框（bounding box）和分类概率。我们模型中的检测管道（detection pipeline）只包含一个神经网络的前向通路，因此它运行起来是极其迅速的。我们的模型是全卷积结构的，因此可以达到小的模型规模和很高的能量利用效率。最后的实验表明我们的模型能达到很高的精度，在 KITTI 基准上达到了最高的精确度。(A fully convoluted n