什么是迁移学习要训练一个复杂的卷积神经网络也需要几天甚至几周的时间。为了解决标注数据和训练时间的问题，提出了迁移学习。所谓迁移学习，就是将一个问题上训练好的模型通过简单的调整使其适用于一个新的问题。简单来说，就是借助原先的经验，加上目前的调整，解决当下的问题。实现思想这里我么能使用 Inception-v3 模型来做迁移学习的基础模型。也就是说，inception-v3 在ImageNet 数据集

和全连接神经网络一样，卷积神经网络中的每一个节点都是一个神经元。在全连接神经网络中，每相邻两层之间的节点都有边相连，于是一般会将每一层全连接层中的节点组织成一列，这样方便显示连接结构。而对于卷积神经网络，相邻两层之间只有部分节点相连，为了展示每一层神经元的维度，一般会将每一层卷积层的节点组织成一个三维矩阵。除了结构相似，卷积神经网络的输入输出以及训练流程与全连接神经网络也基本一致。以图像分类为例，

神经网络的优化算法，主要是两种反向传播算法（back propagation）和梯度下降算法（gradient decent）。这两种方法最终的目的都是调整网络中的参数信息。梯度下降法主要是用于优化单个参数的取值，也就是说，每次对某个参数求偏导，根据求导信息，和学习率每次更新这一个参数的数值。反向传播算法给出了一个高效的方式在所有参数上使用梯度下降算法，从而使神经网络模型在训练数据上的损失函数尽可

什么是帧间预测？编码相邻帧的时候，使用已经编码的帧与预测值的差值编码的方式，减少相邻帧图像数据相似的部分。帧间预测主要包括运动估计（运动搜索方法、运动估计准则、亚像素插值和运动矢量估计）和运动补偿。对于H.264，是对16x16的亮度块和8x8的色度块进行帧间预测编码。消除运动图像时间冗余的技术；帧间预测技术的发展？帧间预测技术发展经历了条件更新、3D-DPCM、基于像素的运动补偿技术，最终确定为

定义预测编码最基本的思想是不直接对信号进行编码，而是用前一信号对当前信号做出预测，对当前信号与预测值的差值进行编码传送。为什么要用差值来编码呢？举个例子，假设图片是4x4，且没个像素点都是255，那么对255进行二进制编码至少需要8位，如果我们假设预测值是255，那么差值就是255-255=0，那么仅仅对0进行编码一位即可，这样就大大减少了码元的个数。什么是帧内预测呢？帧内预测的目的就是使用比完整

使用 Netron 可以直接查看神经网络，这里以 onnx 网络为例。本文介绍，在 ubuntu 下安装，使用浏览器打开 onnx 网络。Netron地址https://github.com/lutzroeder/Netron安装python -m pip install netron打开onnx# create script： test.pyimport netronmodel_path = "

第6章 变换编码1. 变换编码变换编码的目的去除空间信号的相关性将空间信号的能力集中到频域的一小部分低频系数上能量小的系数可通过量化去除，而不会严重影响重构图像的质量块变换和全局变换块变换：离散余弦变换(Discrete Cosine Transform，DCT)，4x4，8x8，16x16全局变换：小波变换(Wavelet)变换的能量集中特性DCT编码2. 变换类型K-L变换傅里叶变换余弦变换小

主流深度学习框架对比深度学习研究的热潮持续高涨，各种开源深度学习框架也层出不穷，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon，等等。然而TensorFlow却杀出重围，在关注度和用户数上都占据绝对优势，大有一统江湖之势。表2-1所示为各个开源框架

问题描述[root@07131396ff2f ~]# pythonPython 3.7.1 (default, Jul3 2019, 11:22:37)[GCC 4.8.5 20150623 (Red Hat 4.8.5-36)] on linuxType "help", "copyright", "credits" or "license" for more informatio...

文章目录我的操作环境安装nbextensions安装nbextensions_configurator我的操作环境centos7 , docker 镜像中安装nbextensionspip install jupyter_contrib_nbextensionsjupyter contrib nbextension install --user安装nbextensions_confi...