简介SPPNet是出自2015发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》，这篇论文解决之前深度神经网络的一个大难题，即输入数据的维度一定要固定。在ILSVRC2014，SPPNet取得目标检测第二，图像分类第三的成绩。原理SPPNet提出了SPP层，主要改进了以

简介VGG是牛津大学的Visual Geometry Group的组提出的。该网络是在ILSVRC 2014上的相关工作（定位任务第一，分类任务第二），主要工作是证明了增加网络的深度能够在一定程度上影响网络的最终性能（对比了多个不同深度网络的性能）。从上表可以发现，VGG只使用了两个网络就能获得非常好的效果。主要方法采用3x3卷积核AlexNet采用了 11x11 7x7 5x5较大卷积核，而在V

简介VGG是牛津大学的Visual Geometry Group的组提出的。该网络是在ILSVRC 2014上的相关工作（定位任务第一，分类任务第二），主要工作是证明了增加网络的深度能够在一定程度上影响网络的最终性能（对比了多个不同深度网络的性能）。从上表可以发现，VGG只使用了两个网络就能获得非常好的效果。主要方法采用3x3卷积核AlexNet采用了 11x11 7x7 5x5较大卷积核，而在V

转载->原博客文章目录1 数据与说明数据下载任务说明2 基本原理序列编码器-解码器注意力机制3 代码数据预处理模型编码器解码器简单的解码器含注意力机制的解码器训练1 数据与说明数据下载数据下载链接：点击下载数据是一个data.zip压缩包，解压后的目录树如下所示：D:.│eng-fra.txt│└─namesArabic.txtChinese.txtCzech.txtDutch.txt

文章目录Python介绍开发环境Python基础标识符与关键字基本数据类型整数类型布尔型浮点类型复数字符串类型基础语法常用运算符算术运算符比较(关系)运算符赋值运算符位运算符逻辑运算符成员运算符身份运算符Python介绍Python总得来说就是简单，库多，应用广，特别是在人工智能和大数据领域用的很多，Python的简单就在于大部分的操作都已经被封装好了，只要一个语句就能完成操作，这就是为什么好多人

集成学习（ensemble learning）通过构建并结合多个学习器来完成学习任务。根据个体学习器的生成方式，目前集成学习的方法大致分为两类，即个体学习器之间存在强依赖关系，必须串行生成的序列化方法；另一类就是个体学习器之间不存在强依赖关系、可同时生成的并行化方法。前者的代表是Boosting，后者的代表室Bagging和随机森林。集成学习中的几个概念1、个体学习器：集成学习的一般结构都是先产生

引言我们创建一组数据，并绘出散点图。x = np.random.uniform(-3, 3, size=100)print(x.shape)y = 0.5 + x**2 + x + 2 + np.random.normal(0, 1, size=100)plt.scatter(x, y)plt.show()我们直接使用线性回归看看效果。from sklearn.linear_model impor

简介AlexNet的提出使得大型卷积网络开始变得流行起来，但是人们对于CNN网络究竟为什么能表现这么好，以及怎么样能变得更好尚不清楚，因此为了解决上述两个问题，ZFNet提出了一种可视化技术，用于理解网络中间的特征层和最后的分类器层，并且找到改进神经网络的结构的方法。ZFNet是Matthew D.Zeiler 和 Rob Fergus 在2013年撰写的论文Visualizing and Und

引言我们创建一组数据，并绘出散点图。x = np.random.uniform(-3, 3, size=100)print(x.shape)y = 0.5 + x**2 + x + 2 + np.random.normal(0, 1, size=100)plt.scatter(x, y)plt.show()我们直接使用线性回归看看效果。from sklearn.linear_model impor

逻辑回归（Logistics Regression），逻辑回归虽然叫回归，但实际上属于分类算法，常用于二分类的任务。当然逻辑回归也可以用于多分类，这就需要加上其它的方法。至于逻辑回归是怎么解决分类问题，实质上是把样本特征和样本发生的概率联系起来。认识逻辑回归逻辑回归，通常作为分类算法，只可以解决二分类问题。最终得出的结果是一个概率值。首先给出逻辑回归的公式：如何得到 p^\widehat{p}p​