一、VGG-16网络框架介绍VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-

一、卷积神经网络的概述1、卷积神经网络与普通神经网络非常相似，它们都由具有可学习的权重w和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数，普通神经网络里的一些计算技巧到这里依旧适用。普通神经网络把输入层和隐含层进行“全连接(FullConnected)“的设计。从计算的角度来讲，相对较小的图像从整幅图像中计算特征

一、综述人脸识别领域主要有两个范畴：Face Verificaton（人脸验证）与Face Recognition（人脸识别）1、Face Verificaton（人脸验证）：1:1的匹配问题。如果你有一张输入图片以及某人的ID或名字，    系统要做的是：验证输入照片是否是这个人。    在人脸验证中，会看到两张图像，并且必须告诉他们是否属于同一个人。 最简单的方法是逐个比较两个图像，如果原始图

一、Inception网络（google公司）——GoogLeNet网络的综述获得高质量模型最保险的做法就是增加模型的深度（层数）或者是其宽度（层核或者神经元数），但是这里一般设计思路的情况下会出现如下的缺陷：1.参数太多，若训练数据集有限，容易过拟合；2.网络越大计算复杂度越大，难以应用；3.网络越深，梯度越往后穿越容易消失，难以优化模型。 解决上述两个缺点的根本

一、CNN卷积神经网络的经典网络综述下面图片参照博客：http://blog.csdn.net/cyh_24/article/details/51440344二、LeNet-5网络输入尺寸：32*32卷积层：2个降采样层(池化层)：2个全连接层：2个输出层：1个。10个类别（数字0-9的概率）   LeNet-5网络是针对灰度图进行训练的，输入图像大小为32*32*1，不包含输入层的情况下共有7层

一、pb模型的保存1、MTCNN人脸检测算法中官网训练好的参数保存在三个文件名称分别为：det1.npy、det2.npy、det3.npy的后缀名为 .npy文件中（.npy文件也是一种以二进制保存的文件），将.npy文件转换为 .pb 模型文件的方法通过以下代码实现：import tensorflow as tfimport detect_faceimport osfrom t...

一、循环神经网络简介二、循环神经网络的结构三、循环神经网络的前向传播与反向传播（一）RNN前向传播 前向传播总结：（二）RNN反向传播（三）RNN网络的缺点四、长短时记忆——LSTM结构（一）LSTM结构的引入 在RNN模型里，每个序列索引位置t都有一个隐藏状态h...

文章转载自：https://blog.csdn.net/u012762419/article/details/795340851.dropout解决的问题深度神经网络的训练是一件非常困难的事，涉及到很多因素，比如损失函数的非凸性导致的局部最优值、计算过程中的数值稳定性、训练过程中的过拟合等。其中，过拟合是很容易发生的现象，也是在训练DNN中必须要解决的问题。过拟合我们先来讲一下什么...

文章转载于：https://www.cnblogs.com/LittleHann/p/6442161.html关于keras框架的介绍亦可参考：https://www.jianshu.com/p/8dcddbc1c6d4Keras源码的组织和功能如下：.│activations.py│callbacks.py│constraints.py│initializations.p...

一、数据清洗数据清洗(data cleaning)是在机器学习过程中一个不可缺少的环节，其数据的清洗结果直接关系到模型效果以及最终的结论。在实际的工作中，数据清洗通常占开发过程的50%-80%左右的时间。