视觉基础与opencv的基本操作

CUDA 高性能并行计算入门(UPDATE IN 2018.3.8)1.更新pitch索引操作的描述概述什么是CUDA？CUDA（Compute Unified Device Architecture）是NVIDIA公司开发的一种计算架构，可以利用NVIDIA系列显卡对一些复杂的计算进行并行加速。为什么要用CUDA加速？在科学计算领域所要用到的计算往往不是我们熟知的...

线性神经网络线性神经网络和单层感知机非常相似，输入层、输出层甚至是误差迭代函数都相同，唯一的区别就是他们的传输函数不同。

视觉基础与opencv的基本操作

前向网络神经网络分为从传播来讲分为两种：1.前馈神经网络（前向网络）2.反馈神经网络前向网络没有反馈机制，也就是自能向前传播而不能反向传播来调整权值参数。感知机就属于前向网络。如上图 一个输入层，一个输出层，中间的所有隐层都是向前传播。感知机感知机是美国学者F.Rosenblatt提出的，他对最早提出的MP不一样，他的所有维度 的权值是可以改变的，通过对权值的迭代可以快速的解决线性可分的二分

梯度下降法在上一张，我们学习过了LMS算法，就是利用了著名的梯度下降法，但是LMS算法只是一种特殊的实现，是均方差这个特定函数的梯度下降，这次我们来看一下梯度下降对普通函数求极值的一些应用。我们来试一下二次函数的极值点求法。首先我们建立一个二次函数：y=x^2+2*x这个极值大家应该知道 x取-1就可以得到极小值。我们来编写一个梯度下降法来求极值点：x=50;% y=x^2;sigma=0.

BP神经网络前面我们所讲的几节都是线性神经网络，都无法解决线性不可分的问题，今天我们就来学习非常非常经典的非线性多层前向网络——误差反向传播网络（BP——Error Back Propagtion）。BP神经网络和前面所说的线性神经网络有什么区别呢？1.隐含层可以不唯一，这就大大提高了非线性能力。2.隐含层节点不唯一，也就是一层可以有多节点连接。3.隐含层的传输函数为sigmoid函数，而非

广义回归神经网络 GRNN（General Regression Neural Network）广义回归神经网络是基于径向基函数神经网络的一种改进。结构分析：可以看出，这个结构与之前我们所讲过的径向基神经网络非常相似，区别就在于多了一层加和层，而去掉了隐含层与输出层的权值连接。

径向基函数神经网络首先介绍一下网络结构：1.输入层为向量，维度为m，样本个数为n，线性函数为传输函数。2.隐藏层与输入层全连接，层内无连接，隐藏层神经元个数与样本个数相等，也就是n，传输函数为径向基函数。3.输出层为线性输出。理论基础径向基函数神经网络只要隐含层有足够多的隐含层节点，可以逼近任何非线性函数。

前向网络神经网络分为从传播来讲分为两种：1.前馈神经网络（前向网络）2.反馈神经网络前向网络没有反馈机制，也就是自能向前传播而不能反向传播来调整权值参数。感知机就属于前向网络。如上图 一个输入层，一个输出层，中间的所有隐层都是向前传播。感知机感知机是美国学者F.Rosenblatt提出的，他对最早提出的MP不一样，他的所有维度 的权值是可以改变的，通过对权值的迭代可以快速的解决线性可分的二分