卷积神经网络的压缩方法简介低秩近似剪枝与稀疏约束参数量化二值网络知识蒸馏紧凑的网络结构尽管卷积神经网络在诸如计算机视觉、自然语言处理等领域取得了出类拔萃的效果，但其动辄过亿的参数数量却使得诸多实际应用望而却步(特别是基于嵌入式设备的应用）。经典的VGG-16网络中，其参数数量达到了1亿3千多万。存储代价和计算代价都很大，严重制约了深度网络在移动端等小型设备上的应用。鉴于各种问题，神经网络的压缩逐渐

这里有你想要的各种第三方模块的安装包，下载后放到python安装路径下的script文件中，直接在命令行页面"pip install +文件名+.whl"https://www.lfd.uci.edu/~gohlke/pythonlibs/

利用pytorch 实现循环神经网络循环神经网络代码实现输出结果循环神经网络这里有一篇英文文章说的比较好，这里我直接拿来用了，同时也可以帮大家提升一下英文水平，哈哈哈原文代码实现import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transforms#device configura

YOLO v3 代码及数据集下载Git下载YOLO v3下载配置weights下载coco数据集最近作为小白刚接触YOLO v3 对于github的使用也经历了不少波折，经过自己的摸索之后，对YOLO v3代码下载和数据集下载有了一些经验，下面写成教程呈现给大家，希望能帮助到刚入门的同学。Git下载在正式下载YOLO v3之前，这里我们要下载一款常用的软件 Git ，直接给出大家官网，然后对照自己

多方位角极化呵呵层孔径雷达(MA-PolSAR)既可以不分昼夜的提供不同方位角目标散射信息，还能再云、雾、雨的情况下提供不同极化模式下的极化散射信息，使原本不够完整的目标更加及时地、全面地体现出来，因此MA-PolSAR是合成孔径雷达(SAR)研究领域前沿方向之一，对于目标识别、地物信息提取等应用具有重要意义。由于MA-PolSAR的相关研究仍处于初级阶段，相关传感器的设计、成像的方法、以及后端的

我们在训练神经网络模型时，能修改最多的超参数就是学习率，但是大部分方法都只是提议使用一个相当小的数，让自己试验不同的值。因此，很多人都是以这种方式来为他们的架构发现最优学习率，通常会采用一种称为网格搜索(grid search)的技术，就是穷尽搜索一个学习率值的子集，将结果与一个验证数据集比较。这会浪费大量的时间。这里提出一个更为简洁、快速的方法，以便我们找到合适的学习率这种方法是：在一个epoc

清华镜像安装python第三方库

极化合成孔径雷达是目前遥感领域较为先进的传感系统之一。因为采用了多通道获取数据并成像，所以极化SAR数据包含了更丰富的极化信息，包含了更多的地物信息和特征，基于极化SAR数据地物分类问题的研究也一直是雷达图像理解与处理领域的研究重点。近年来，深度学习在机器学习领域引起广泛重视，并在工业界和学术界取得了令人振奋的成果。文章的主要工作是研究基于深度学习的极化SAR图像分类方法，以深度信念网络模型为基础

多角度SAR的特点多角度SAR作为一种新的SAR模式，它具备对场景的长时间观测以及大合成孔径角两个优势。已有研究表明，这两点区别于传统SAR模式的优势，使得单通道系统也可以具备较强的动目标检测能力。即，无需增加雷达系统的复杂度，就可以实现在轨星载SAR系统目标检测能力的扩展和提升。这也使得多角度SAR目标研究成为新的研究热点。多角度SAR具备下面几个优势1.大方位角带来更高分辨率2.丰富的方位信息

卷积神经网络中各层的作用