计算机视觉-边缘检测

计算机视觉，纹理分割

参考链接：https://blog.csdn.net/mingzhuo_126/article/details/82722455https://www.cnblogs.com/144823836yj/p/10263070.htmlhttps://zhuanlan.zhihu.com/p/2629000461.打开Typora选择数学模块点击“段落”—>“公式块”快捷键Ctrl+Shift+m

参考链接： https://blog.csdn.net/u013733326/article/details/79907419开始之前在正式开始之前，我们说一下我们要做什么。我们需要做的是分割数据集和优化梯度下降算法，所以我们需要做以下几件事：分割数据集优化梯度下降算法：2.1 不使用任何优化算法2.2 mini-batch梯度下降法2.3 使用具有动量的梯度下降算法2.4 使用Adam算法导入库

参考链接：https://blog.csdn.net/u013733326/article/details/79869511第一周测验 - 深度学习的实践博主注：以下全部都是只显示正确答案。1.如果你有10,000,000个例子，你会如何划分训练/开发/测试集？解：训练集占98% ， 开发集占1% ， 测试集占1% 。2.开发和测试集应该：解：来自同一分布。因为我们学习的是同一分布下的规律，如果开

layers.py首先实现神经网络中仿射层、ReLU层以及组合单层神经元。#-*- coding: utf-8 -*-import numpy as npdef affine_forward(x, w, b):"""计算神经网络当前层的前馈传播，该方法计算在全连接情况下的得分函数。注：如果不理解affine仿射变换，简单的理解为在全连接情况下的得分函数即可。输入数据x的形状为(N, d_1, ..

本小节我们将使用 RNN 完成图像说明( Image Captioning)任务。该任务需要联合 CNN 与 RNN 一同学习，CNN 用于提取图像特征，RNN 用于生成图像特征所对应的说明文字。在训练阶段，首先我们将图片放入卷积网络中进行特征提取，将其作为隐藏层h0的输入；然后将图片对应的文字描述一个单词接一个单词的输入到 RNN 中，而 RNN 输出则是当前单词的下一个预测单词。在测试阶段，我

计算机视觉，纹理分割

今天我们将了解深度强化学习中**最令人兴奋、最有前景的策略之一好奇心驱动学习。

原文链接：https://blog.csdn.net/u013733326/article/details/79868527第4周测验 -深度神经网络的关键概念1.在实现前向传播和反向传播中使用的“cache”是什么？用于在训练期间缓存成本函数的中间值。我们用它传递前向传播中计算的变量到相应的反向传播步骤，它包含用于计算导数的反向传播的有用值。它用于跟踪我们正在搜索的超参数，以加速计算。我们使用它