登录社区云，与社区用户共同成长
邀请您加入社区
本周系统完成了卷积神经网络的基础理论学习，全面掌握了CNN的核心原理与运行机制。卷积神经网络依靠局部连接、参数共享、层级化特征提取三大核心优势，解决了传统全连接网络处理图像数据的弊端，实现了视觉特征的高效提取与表征。其中卷积层负责挖掘图像局部细节特征，池化层完成特征压缩与降噪筛选，多卷积核与深层堆叠结构则支撑模型完成从基础视觉元素到高级语义信息的逐层抽象。通过对卷积运算、填充步长、池化机制、多通道
2025是Agent元年，2026年**Agent**迈入科研&落地深水区，推荐2篇开年必读综述：一篇剖析**Agentic AI**范式演进与挑战；另一篇拆解**AI Agent**系统架构。
本周主要学习 Convolutional Neural Networks（卷积神经网络，CNN）的基础原理与典型结构。卷积神经网络是深度学习中处理图像任务最经典的模型之一，它通过局部感受野、参数共享和分层特征提取机制，更高效地处理具有空间结构的数据。学习内容包括卷积运算的基本思想、Padding（填充）与 Stride（步长）对输出结果的影响、Pooling（池化）在降维和保留关键特征中的作用、多
本文详细介绍了基于PyTorch实现20类食物图像分类的完整流程。首先通过自动生成标签文件建立图片路径与分类标签的映射关系；接着自定义Dataset类实现数据读取与预处理；然后搭建包含三组卷积块的CNN网络结构；最后完成模型训练与评估。项目采用标准工业流程，涵盖数据准备、模型构建、训练优化等关键环节，并提供了Windows环境下的中文路径乱码解决方案。代码实现注重可复用性，支持自动选择GPU加速，
本文基于PyTorch框架实现了GoogLeNet(Inceptionv1)网络对猴痘皮肤图像的二分类识别。通过构建包含9个Inception模块的深层网络，利用多尺度特征提取能力处理224×224尺寸的输入图像。实验使用2142张图像数据集（80%训练集），经过30轮训练后达到87.2%的最高测试准确率。关键实现包括：1）Inception模块设计（1×1/3×3/5×5卷积并行结构）；2）批归
本项目基于YOLOv8和FasterR-CNN开发了一套完整的红外图像行人检测系统，针对低照度、夜间监控等复杂场景进行优化。系统包含数据标注转换、模型训练评估、PyQt5图形界面三大模块，支持图片/视频/摄像头输入，具备目标框选、置信度显示、数量统计、坐标记录及声音报警功能。通过对比实验，YOLOv8在速度和精度平衡性上表现更优，被选为主力模型。项目亮点在于实现了从数据到应用的全流程闭环，特别适合
本文探讨了利用YOLOv8和Mask R-CNN模型处理水下侧扫声呐图像数据集，实现沉船目标检测和实例分割的方法。针对水下图像低对比度、噪声大等挑战，提出了数据预处理方案（归一化、增强、去噪）。文章详细介绍了两种模型的训练流程：YOLOv8适用于实时检测，Mask R-CNN则能同时完成目标检测和实例分割。同时提供了模型评估指标、推理部署方案（包括单张/批量图像处理）以及简单的GUI界面实现。该研
卷积神经网络（Convolutional Neural Network, CNN）依托局部感受野参数共享提取局部特征，最早用于图像领域，后拓展至NLP、语音、时序分析。循环神经网络（Recurrent Neural Network, RNN）通过递归隐藏状态逐时序处理序列，当前时刻输出同时依赖当前输入与历史记忆。htfxtht−1htfxtht−1自注意力机制直接计算序列任意两个元素的关联度
python运行# 自定义全连接神经网络，继承nn.Module# 展平层：将 1*28*28 图片转为一维向量 784# 第一层全连接：784 -> 128 神经元# 第二层全连接：128 -> 256 神经元# 输出层：256 -> 10 （对应0-9共10个分类）# 前向传播（数据流转逻辑，函数名固定为forward）x = torch.sigmoid(x) # 激活函数return x#
人脸情绪识别是人机交互领域的重要研究方向，具有广泛的应用前景。本文针对FER-2013数据集，研究基于卷积神经网络（CNN）的情绪识别算法。首先构建基准CNN模型，分析其在各类别上的性能瓶颈。针对Fear、Sad等弱势类别识别率低的问题，引入残差连接与SE注意力模块改进网络结构；同时采用增强型数据增强（包括Cutout、亮度/对比度调整）和困难样本过采样策略提升模型泛化能力。实验结果表明，优化后的
python运行# 自定义卷积神经网络类，继承 nn.Module（所有 PyTorch 模型的基类）# 调用父类 nn.Module 的初始化方法，必须写，否则模型参数无法被正确注册# -------------------------- 卷积+池化层定义 --------------------------# 第1层卷积：输入通道3（RGB图像），输出通道32，卷积核5×5，padding=2
本文介绍了使用CNN卷积神经网络实现衣物分类模型的完整流程。首先下载FashionMNIST数据集并进行预处理，构建包含卷积层、池化层、Dropout和全连接层的神经网络模型。通过10轮训练后，模型在测试集上达到一定准确率，但存在混淆"衬衫"和"T恤"等问题。随后进行了模型改进：增加卷积层、扩大全连接层维度、调整学习率和训练轮次、加入数据增强。改进后的模型性
本文研究基于卷积神经网络（CNN）的静态手势语识别技术，旨在解决听障人士沟通障碍问题。研究构建了包含8种数字手势语的数据集（2784张图像），采用数据增强技术提升模型泛化能力。提出了一种轻量级CNN模型，包含3个卷积层和2个全连接层，配合批归一化和Dropout机制。实验表明，该模型在测试集上达到97.5%的准确率，优于LeNet-5、AlexNet等经典网络，同时保持较低参数量（2.25M）和快
1前言1.1 研究的背景和意义1.1.1 研究背景农业是国民经济的基础产业，农产品的智能化识别对于提升农业生产效率、保障食品安全、推动农业现代化具有重要意义。水果作为日常消费品，其种类繁多、外观相似，传统的人工分类方式不仅效率低下，而且容易受到主观因素和疲劳的影响，难以满足大规模、高精度的应用需求。随着计算机视觉和深度学习技术的迅猛发展，基于图像的自动分类方法逐渐成为研究热点。卷积神经网络（Con
作用：导入 PyTorch 核心库，所有深度学习操作的基础。类比：就像写作文要先拿笔，torch就是深度学习的 “笔”。作用：导入 PyTorch 的神经网络模块（Neural Network）。核心功能：提供搭建 CNN、全连接层、卷积层等所有网络层的工具。关键：我们搭建的所有 AI 模型，都依赖这个模块。作用：数据加载器，批量管理数据集。通俗理解：把大量图片打包成 “小包裹”，一次性喂给电脑，
【专业项目开发导师】拥有40W+粉丝，专注计算机软件项目研发，提供毕业设计辅导（每年服务数千名学生）。涵盖人工智能、JAVA、小程序、Python等千余套实战项目资源，支持定制开发。可获取项目源码及核心实现代码，欢迎收藏关注。联系方式见文末微信名片。
摘要：本研究针对台风年际变化分析中传统统计模型存在的特征提取不全面、非线性拟合能力弱等问题，提出了一种基于改进卷积神经网络（TC-CNN）的分析系统。系统整合了近40年全球台风观测数据、海温数据等多源气象信息，通过引入时序卷积模块和注意力机制，实现了台风生成频数、强度等级等核心特征的自动化提取和预测。实验表明，TC-CNN模型在台风预测任务中平均误差较传统方法降低15%-22%，具有更好的泛化能力
本文通过三个CNN模型在CIFAR-10上的对比实验，揭示了几个关键发现：1）SimpleCNN以仅10万参数取得79.8%准确率，优于迁移学习的ResNet18（72.1%）；2）LeNet-5通过加宽卷积核（32/64核）可提升13.8%准确率至78.8%；3）ResNet18需精细调整冻结策略（仅冻结底层）和归一化（必须使用ImageNet统计量）才能达到可用性能。实验表明，当目标数据集（C
本文总结了卷积神经网络(CNN)和循环神经网络(RNN)的核心原理与应用。CNN通过局部相关性和权重共享机制高效提取空间特征，包含卷积层和池化层结构，广泛应用于图像识别和文本分类。RNN引入时间维度处理序列数据，但存在长期依赖问题。LSTM通过门控机制和细胞状态解决了这一问题，GRU是其简化版本。词嵌入技术将单词映射为低维向量，Word2Vec通过CBOW和Skip-gram模型实现语义表征学习。
MNIST数据集是深度学习领域的“Hello World”，它包含70,000张28x28的灰度手写数字图像，是入门图像分类任务的绝佳选择。本文将手把手带你使用PyTorch构建一个简洁而高效的卷积神经网络（CNN），完成对MNIST数据集的训练与评估。文章会逐步解读每一段代码的含义，从数据加载、模型构建、训练循环到测试评估，并结合完整的训练日志分析模型的收敛过程。最终我们的模型在测试集上达到了9
本案例展示了使用卷积神经网络(CNN)分析股票K线图来预测价格趋势。采用1993-2001年的月度20日K线数据作为训练集，构建了一个包含3个卷积层和1个全连接层的CNN模型。模型采用LeakyReLU激活函数和Xavier权重初始化，并加入了批量归一化和Dropout层以防止过拟合。数据被划分为70%训练集和30%验证集，通过PyTorch框架实现数据加载和模型训练。该案例演示了如何将CNN应用
上述三种AI-ISP模式是完全不同的技术路线，不能说谁更好，相对来讲，AI与ISP的嵌合程度越高，画质提升的潜力越高，但是也往往面临黑盒程度上升，算力开销大，研发成本高，这取决于市场，算力预算和不同应用场景。）这些就是做一些简单的修复，不算ISP的核心。这种个人认为是最符合AI-ISP定义的，就是AI直接去替换掉一个或多个（甚至全部的）传统ISP的处理流程（比如HDR，Demosaic等），构建一
摘要： cnn_captcha项目利用卷积神经网络（CNN）实现端到端验证码识别，简化了传统方法中繁琐的图像处理步骤。该项目支持多种常见验证码类型，提供完整的数据准备、训练和API服务模块，训练1小时即可达到高准确率。适用于爬虫开发或深度学习入门，具备多模型部署能力，但需注意其基于TensorFlow 1.x的兼容性问题。项目结构清晰、文档完备，兼顾实用性和学习价值，GitHub获2.8k星标，是
在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
CSDN-OPC开发者社区
快递鸟社区
