登录社区云，与社区用户共同成长
邀请您加入社区
AlexNet赢了2012年ImageNet比赛是个更深更大的LeNet∷ ReLu作为激活函数，减缓梯度消失∷ 使用MaxPooling∷ 全连接层后加入了丢弃层（DropOut∷ 进行了数据增强（Data argumentation，截取图片一部分作为新增数据、或者调色温）DropOut：随机使某个神经元失效，以免训练后网络输出过度依赖某个神经元导致过拟合【深度学习】丢弃法（dropout）_
首先，定期进行系统和软件的更新，保持操作系统和应用程序在最新版本，以获得更好的性能和安全性。其次，保持电脑的清洁，定期清理灰尘和污垢，确保散热良好，避免过热对硬件的损害。批量规范化应用于单个可选层（也可以应用到所有层），其原理如下：在每次训练迭代中，我们首先规范化输入，即通过减去其均值并除以其标准差，其中两者均基于当前小批量处理。在学习方面，合理规划学习时间，避免长时间的连续使用电脑，适时休息，保
使用2D-CNN对高光谱图像进行分类
该模型去掉了最后一层的高斯激活，下面将一个大小为28×28的单通道（黑白）图像通过LeNet，打印每一层输出的形状。
在这篇文章中，我们描述了一个为阿姆斯特丹 3D 城市模型自动添加门窗的系统（可以在这里访问）。计算机视觉用于从城市全景图像中提取有关门窗位置的信息。由于这种类型的街道级图像广泛可用，因此该方法可用于较大的地理区域。推荐：用快速搭建可编程3D场景。处于开发阶段的阿姆斯特丹 3D 城市模型可用于更轻松地向公众传达空间规划。此外，公众可以更多地参与市政府的规划决策和宗旨。城市模型由简化形状的建筑物组成；
介绍两篇利用Transformer做图像分类的论文：CoAtNet（NeurIPS2021），ConvMixer（ICLR2022）。CoAtNet结合CNN和Transformer的优点进行改进，ConvMixer则patch的角度来说明划分patch有助于分类。
通过整个过程可以发现，手写数字的识别还是非常简单的，训练的效率比较快，结果也不错。非常适合拿来练手，学习一些基本概念、深度学习框架和分类任务实践过程等。
补充：isinstance(net,nn.Module)isinstance(net,nn.Module)是Python的内置函数，用于判断一个对象是否属于制定类或其子类的实例。如果net是nn.Module类或子类的实例，那么表达式返回True，否则返回False. nn.Module是pytorch中用于构建神经网络模型的基类，其他神经网络都会继承它，因此使用 isinstance(net,n
文献来源：摘要：对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分组方案。实际算例验证表明,按照小时级、月度级、年度级等时间尺度进
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习的算法，它在图像处理和语音识别等领域有很强的表现。CNN得名于其核心操作：卷积。卷积是一种数学运算，它可以将输入的信息（如图像）通过一个滤波器（或称为“内核”）进行处理，以生成新的特征映射。CNN的主要组件包括卷积层、池化层（pooling layer）、全连接层（fully connected l
读取数据训练网络模型比如数据不够，可以对数据进行旋转，翻转等操作来添加数据例如使用预训练模型输出为102定义数据预处理操作冻结resnet18的函数改最后一层的，因为默认的是1000输出设置哪些层需要训练训练开始训练
感受野(Receptive Field)：每一个视觉神经元只会处理一小块区域的视觉图像。人类的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定眼前的物体的形状是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。对于不同的物体，人类视觉也是通过这样逐层分级来进行认知的：最底层特征基本上是类似的，就是各种边缘；越
基于飞桨paddle的优化的卷积神经网络构建手写数字识别模型测试代码
深度学习中简易FC和CNN搭建
介绍两篇图像分类的论文：ResMLP（arXiv2305），MetaFormer（CVPR2022），两者都与Transformer有关系，前者基于transformer结构的特点设计ResMLP，后者认为宏观架构才是Transformer成功的原因并设计一个简单的PoolFormer结构。
