tag 池化

標籤
貢獻6
28
04:39 PM · Nov 17 ,2025
u_15469972 頭像 u_16213560 頭像 u_14499 頭像 u_16213609 頭像 u_16213711 頭像 u_6813689 頭像

@池化 / 博客 RSS 訂閱

u_15469972 頭像

mb61c46a7ab1eee - Transformer實戰（22）——啓用FLAIR進行語義相似性評估

Transformer實戰（22）——使用FLAIR進行語義相似性評估 0. 前言 1. 使用 FLAIR 進行語義相似性評估 2. 平均池化詞嵌入 3. 基於循環神經網絡的文檔嵌入 4. 基於 Transformer 的 BERT 嵌入 4. Sentence-BERT 嵌入 系列鏈接 0. 前言

數據集 , redis , 數據庫 , 循環神經網絡 , 池化

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - 計算機視覺：卷積神經網絡（CNN）圖像分類從像素與色彩通道基礎到特徵提取、池化及預測 - 指南

一、卷積神經網絡概述 卷積神經網絡通過濾波器（或稱核）從圖像中提取特徵，再將這些特徵傳入神經網絡進行預測或輸出。在深入探討卷積神經網絡之前，我們先詳細瞭解圖像的工作原理。 二、圖像的本質 （一）像素與矩陣表示 圖像由微小的像素構成，如同宇宙由原子組成。每個像素是一個包含數字的單元，類似矩陣中的單元格。本質上，圖像是具有確定行數和列數的矩陣，矩陣中的每個單元

卷積 , redis , 卷積核 , 數據庫 , 池化

收藏 評論

u_16213560 頭像

數據小探 - 經典CNN與經典Transformer相結合用於時間序列預測

經典網絡 (Classic Networks) 這節課，我們來學習幾個經典的神經網絡結構，分別是LeNet-5、AlexNet和VGGNet，開始吧。 首先看看LeNet-5的網絡結構，假設你有一張32×32×1的圖片，LeNet-5可以識別圖中的手寫數字，比如像這樣手寫數字7。LeNet-5是針對灰度圖片訓練的，所以為什麼圖片的大小隻有32

機器學習 , 卷積 , 人工智能 , 深度學習 , 池化 , 全連接

收藏 評論

u_14499 頭像

coolfengsy - YOLOv8 深度解析！一文看懂，快速上手實操（附實踐代碼）

摘要 當前大多數研究主要側重於使用大型模型來提高實驗精度，卻常常忽視了部署的挑戰。在某些遙感設備上，對輕量級算法的需求日益增長。此外，遙感圖像（RSIs）通常包含大量小而密集分佈的目標，這給檢測帶來了巨大挑戰。為了解決這些問題，我們對YOLOv8s網絡進行了改進，開發了一種基於多尺度特徵融合與上下文信息（MFFCI-YOLOv8）的輕量級遙感目標檢

卷積 , v8 , 大數據 , hadoop , 1024程序員節 , 池化

收藏 評論

u_16213609 頭像

mob64ca13fe9c58 - keras 多層CNN搭建

一.輸入層 　　1.用途 　　　　構建深度神經網絡輸入層，確定輸入數據的類型和樣式。 　　2.應用代碼 　　　　input_data = Input(name='the_input', shape=(1600, 200, 1)) 　　3.源碼 def Input(shape=None, batch_shape=None,

機器學習 , keras 多層CNN搭建 , 卷積 , 人工智能 , 池化 , ide

收藏 評論

u_16213711 頭像

mob64ca1416f1ef - 實操教程 | 卷積神經網絡CNN詳解

卷積神經網絡（CNN）的核心操作並非孤立存在，而是通過精細的參數設計和流程配合實現特徵提取與模型學習。以下從原理細節、計算過程、參數設計、變體形式四個維度，對核心操作進行更深入的解析，幫助你掌握實際應用中的關鍵細節。 一、卷積操作（Convolution） 卷積是 CNN “特徵提取” 的核心，其本質是通過滑動窗口的局部加權求和捕捉圖像的局部

卷積 , 神經網絡 , cnn , 深度學習 , 池化 , 前端開發 , Javascript

收藏 評論

u_6813689 頭像

程序員小2 - 終於把卷積神經網絡算法搞懂了！

今天給大家介紹一個強大的算法模型，CNN 卷積神經網絡（CNN）是一類專門用於處理具有網格結構數據（如圖像、語音、視頻等） 的深度學習模型。 CNN 的設計靈感來自於生物學中的視覺皮層結構，能夠自動、有效地從原始數據中學習空間層次特徵，這極大地減少了人工特徵工程的需要。 CNN 已成為計算機視覺、語音識別、自然語言等領域的基礎模型。 核心原理

卷積 , 卷積核 , 池化 , 代碼人生

收藏 評論