精华内容
下载资源
问答
  • 深度学习与计算机视觉
    千次阅读
    2021-12-04 16:26:06

    目录

    第一章 深度学习与计算机视觉

            1.1 图像基础

            1.2深度学习与神经网络基础

    第一章 深度学习与计算机视觉

            1.1 图像基础

            在计算机中,图像的最基本组成单元为像素,图片是包含很多像素的集合。像素一般就是图片中某个位置的颜色,很多个像素点排列起来,就可以组成一个二维平面点阵,这就是图像。例如:电脑桌面背景,如果是1920px×1080px的大小,那就意味着有1920×1080(即2073600)个像素:1920列,1080行。通常图像表达会用色彩空间的概念,常见的有RGB、LAB、HSL和灰度等,这里主要介绍RGB和灰度两种,其他的我们之后再慢慢讨论。RGB图像又称为三通道彩色图,灰度图又可以相应的称为单通道图。通道数可以简单理解为表示单个像素所需要的数字的个数。

            图像分两类:模拟图像和数字图像。两者之间最大的区别就是像素的值域,模拟图像像素的值域是连续的,是人眼所认识到的;而数字图像像素的取值是离散的、有限的,是计算机所理解的。这里主要讨论的是计算机所认识的图像,即数字图像,也是计算机视觉的主要任务。

            在计算机中,灰度图像中的像素通常用0~255之间的一个整数数字表示,0表示黑色,255表示白色,数字从0变到255 表示颜色由黑变白的一个过程。颜色越黑越接近0,颜色越白越接近255

            RGB彩色空间则使用三个整数数字来表示一个像素,如(0,100,200),分别表示红色部分的颜色值是0,绿色部分为100,蓝色部分为200。RGB分别表示英文单词Red,Green,Blue,其对应的取值范围都是0~255,数值越大表示颜色越浅,数值越大则表示越饱和。所以RGB像素不同的组合总数为256×256×256=16777216,其中(0,0,0)表示黑色,(255,255,255)表示白色。

             基于以上认识,像素点阵就可以用矩阵来表示,差异就是不同空间表示像素的方法不同。灰度图可以简单的理解为一个二维矩阵,里面填满了0~255间的整数;而彩色图则是三维矩阵,其维度分别代表高、宽和通道数。

            1.2深度学习与神经网络基础


    更多相关内容
  • 【为什么要学习深度学习计算机视觉?】 AI人工智能现在已经成为人类发展中最火热的领域。而计算机视觉(CV)是AI中最热门,也是落地最多的一个应用方向(人脸识别,自动驾驶,智能安防,车牌识别,证件识别)。...
  • 该讲义为斯坦福大学李飞飞教授所开深度学习与计算机视觉(cs231n)课程讲义,为深度学习入门课程,通俗易懂且内容前沿,适合于对深度学习/计算机视觉有兴趣并有一定基础的人学习。
  • 【deep learning】斯坦福CS231n—深度学习与计算机视觉(资料汇总)-附件资源
  • 本教程依托于 Stanford 斯坦福大学的《CS231n:深度学习与计算机视觉》,对深度学习与计算机视觉方向的图像分类、CNN、RNN、目标检测、图像分割、生成模型等各个主题做了体系化的梳理

    ShowMeAI研究中心


    引言

    本篇内容是ShowMeAI组织的深度学习与计算机视觉系列教程入口,本教程依托于斯坦福Stanford出品的【CS231n:深度学习与计算机视觉】方向专业课程,根据课程视频内容与课程笔记,结合补充资料,针对深度学习与计算机视觉方向的主题做了全面梳理与制作,希望给大家提供专业细致而直观易懂的学习教程。

    本系列教程内容覆盖:图像分类神经网络反向传播计算图CNNRNN神经网络训练tensorflowpytorch注意力机制生成模型目标检测图像分割强化学习 等主题。

    教程地址

    点击查看完整教程学习路径

    内容章节

    1.深度学习与CV教程(1) | CV引言与基础

    CV引言与基础; 计算机视觉ComputerVision; 斯坦福CS231n; 19-1

    2.深度学习与CV教程(2) | 图像分类与机器学习基础

    图像分类&机器学习基础; 计算机视觉ComputerVision; 斯坦福CS231n; 19-2

    3.深度学习与CV教程(3) | 损失函数与最优化

    损失函数&最优化; 计算机视觉ComputerVision; 斯坦福CS231n; 19-3

    4.深度学习与CV教程(4) | 神经网络与反向传播

    神经网络&反向传播; 计算机视觉ComputerVision; 斯坦福CS231n; 19-4

    5.深度学习与CV教程(5) | 卷积神经网络

    CNN卷积神经网络; 计算机视觉ComputerVision; 斯坦福CS231n; 19-5

    6.深度学习与CV教程(6) | 神经网络训练技巧 (上)

    神经网络训练技巧(上); 计算机视觉ComputerVision; 斯坦福CS231n; 19-6

    7.深度学习与CV教程(7) | 神经网络训练技巧 (下)

    神经网络训练技巧(下); 计算机视觉ComputerVision; 斯坦福CS231n; 19-7

    8.深度学习与CV教程(8) | 常见深度学习框架介绍

    常见深度学习框架介绍; 计算机视觉ComputerVision; 斯坦福CS231n; 19-8

    9.深度学习与CV教程(9) | 典型CNN架构 (Alexnet, VGG, Googlenet, Restnet等)

    典型CNN架构(VGG/ResNet等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-9

    10.深度学习与CV教程(10) | 轻量化CNN架构 (SqueezeNet, ShuffleNet, MobileNet等)

    轻量化CNN架构(SqueezeNet等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-10

    11.深度学习与CV教程(11) | 循环神经网络及视觉应用

    RNN循环神经网络&视觉应用; 计算机视觉ComputerVision; 斯坦福CS231n; 19-11

    12.深度学习与CV教程(12) | 目标检测 (两阶段, R-CNN系列)

    目标检测(两阶段/R-CNN等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-12

    13.深度学习与CV教程(13) | 目标检测 (SSD, YOLO系列)

    目标检测(SSD/YOLO系列); 计算机视觉ComputerVision; 斯坦福CS231n; 19-13

    14.深度学习与CV教程(14) | 图像分割 (FCN, SegNet, U-Net, PSPNet, DeepLab, RefineNet)

    图像分割(FCN/SegNet/U-Net等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-14

    15.深度学习与CV教程(15) | 视觉模型可视化与可解释性

    视觉模型可视化与可解释性; 计算机视觉ComputerVision; 斯坦福CS231n; 19-15

    16.深度学习与CV教程(16) | 生成模型 (PixelRNN, PixelCNN, VAE, GAN)

    生成模型(PixelCNN/GAN等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-16

    17.深度学习与CV教程(17) | 深度强化学习 (马尔可夫决策过程, Q-Learning, DQN)

    深度强化学习(Q-Learning/DQN等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-17

    18.深度学习与CV教程(18) | 深度强化学习 (梯度策略, Actor-Critic, DDPG, A3C)

    深度强化学习(Actor-Critic/DDPG等); 计算机视觉ComputerVision; 斯坦福CS231n; 19-18

    ShowMeAI 系列教程推荐

    showmeai用知识加速每一次技术成长

    展开全文
  • 深度学习与计算机视觉(CV)介绍

    千次阅读 2022-02-10 15:24:44
    深度学习与计算机视觉(CV)介绍 深度学习 学习⽬标 知道什么是深度学习 知道深度学习的应⽤场景 什么是深度学习 在介绍深度学习之前,我们先看下⼈⼯智能,机器学习和深度学习之间的关系: 机器学习是实现⼈⼯...

    深度学习与计算机视觉(CV)介绍

    深度学习

    学习⽬标

    • 知道什么是深度学习
    • 知道深度学习的应⽤场景

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lkH5KKtR-1644477865518)(F:\Python学习\129黑马人工智能2.0课程\学习随笔\阶段4计算机视觉与图像处理\深度学习与CV随笔\第一章课程简介随笔\笔记图片\image-20220210144409408.png)]

    什么是深度学习

    在介绍深度学习之前,我们先看下⼈⼯智能,机器学习和深度学习之间的关系:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Pt6BgoKZ-1644477865518)(F:\Python学习\129黑马人工智能2.0课程\学习随笔\阶段4计算机视觉与图像处理\深度学习与CV随笔\第一章课程简介随笔\笔记图片\image-20220210144537866.png)]

    机器学习是实现⼈⼯智能的⼀种途径,深度学习是机器学习的⼀个⼦集,也就是说深度学习是实现机器学习的⼀种⽅法。与机器学习算法的主要区别如下图所示:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zPnvzgMD-1644477865519)(F:\Python学习\129黑马人工智能2.0课程\学习随笔\阶段4计算机视觉与图像处理\深度学习与CV随笔\第一章课程简介随笔\笔记图片\image-20220210144608352.png)]

    传统机器学习算术依赖人工设计特征,并进行特征提取,而深度学习方法不需要人工,而是依赖算法自动提取特征。深度学习模仿人类大脑的运行方式,从经验中学习获取知识。这也是深度学习被看做黑盒子,可解释性差的原因。

    随着计算机软硬件的飞速发展,现阶段通过深度学习来模拟人脑来解释数据,包括图像,文本,音频等内容。目前深度学习的主要应用领域有:

    • 智能手机

    • 语音识别:比如苹果的智能语音助手siri

    • 机器翻译:谷歌将深度学习方法嵌入到谷歌翻译中,能够支持100多种语言的即时翻译。

    • 拍照翻译

    • 自动驾驶

    当然在其他领域也能见到深度学习的身影,比如风控,安防,智能零售,医疗领域,推荐系统等。

    发展历史(了解)

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-igrVwE8G-1644477865520)(F:\Python学习\129黑马人工智能2.0课程\学习随笔\阶段4计算机视觉与图像处理\深度学习与CV随笔\第一章课程简介随笔\笔记图片\image-20201013151736042.png)]

    • 深度学习其实并不是新的事物,深度学习所需要的神经网络技术起源于20世纪50年代,叫做感知机。当时也通常使用单层感知机,尽管结构简单,但是能够解决复杂的问题。后来感知机被证明存在严重的问题,因为只能学习线性可分函数,连简单的异或(XOR)等线性不可分问题都无能为力,1969年Marvin Minsky写了一本叫做《Perceptrons》的书,他提出了著名的两个观点:1.单层感知机没用,我们需要多层感知机来解决复杂问题 2.没有有效的训练算法。

    • 20世纪80年代末期,用于人工神经网络的反向传播算法(也叫Back Propagation算法或者BP算法)的发明,给机器学习带来了希望,掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现,利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律,从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统,在很多方面显出优越性。这个时候的人工神经网络,虽也被称作多层感知机(Multi-layer Perceptron),但实际是种只含有一层隐层节点的浅层模型。

    • 20世纪90年代,各种各样的浅层机器学习模型相继被提出,例如支撑向量机(SVM,Support Vector Machines)、 Boosting、最大熵方法(如LR,Logistic Regression)等。这些模型的结构基本上可以看成带有一层隐层节点(如SVM、Boosting),或没有隐层节点(如LR)。这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下,由于理论分析的难度大,训练方法又需要很多经验和技巧,这个时期浅层人工神经网络反而相对沉寂.

    • 2006年,杰弗里·辛顿以及他的学生鲁斯兰·萨拉赫丁诺夫正式提出了深度学习的概念。他们在世界顶级学术期刊《科学》发表的一篇文章中详细的给出了“梯度消失”问题的解决方案——通过无监督的学习方法逐层训练算法,再使用有监督的反向传播算法进行调优。该深度学习方法的提出,立即在学术圈引起了巨大的反响,以斯坦福大学、多伦多大学为代表的众多世界知名高校纷纷投入巨大的人力、财力进行深度学习领域的相关研究。而后又迅速蔓延到工业界中。

    • 2012年,在著名的ImageNet图像识别大赛中,杰弗里·辛顿领导的小组采用深度学习模型AlexNet一举夺冠。AlexNet采用ReLU激活函数,从根本上解决了梯度消失问题,并采用GPU极大的提高了模型的运算速度。同年,由斯坦福大学著名的吴恩达教授和世界顶尖计算机专家Jeff Dean共同主导的深度神经网络——DNN技术在图像识别领域取得了惊人的成绩,在ImageNet评测中成功的把错误率从26%降低到了15%。深度学习算法在世界大赛的脱颖而出,也再一次吸引了学术界和工业界对于深度学习领域的关注。

    • 2016年,随着谷歌公司基于深度学习开发的AlphaGo以4:1的比分战胜了国际顶尖围棋高手李世石,深度学习的热度一时无两。后来,AlphaGo又接连和众多世界级围棋高手过招,均取得了完胜。这也证明了在围棋界,基于深度学习技术的机器人已经超越了人类。

    • 2017年,基于强化学习算法的AlphaGo升级版AlphaGo Zero横空出世。其采用“从零开始”、“无师自通”的学习模式,以100:0的比分轻而易举打败了之前的AlphaGo。除了围棋,它还精通国际象棋等其它棋类游戏,可以说是真正的棋类“天才”。此外在这一年,深度学习的相关算法在医疗、金融、艺术、无人驾驶等多个领域均取得了显著的成果。所以,也有专家把2017年看作是深度学习甚至是人工智能发展最为突飞猛进的一年。

    • 2019年,基于Transformer 的自然语言模型的持续增长和扩散,这是一种语言建模神经网络模型,可以在几乎所有任务上提高NLP的质量。Google甚至将其用作相关性的主要信号之一,这是多年来最重要的更新

    • 2020年,深度学习扩展到更多的应用场景,比如积水识别,路面塌陷等,而且疫情期间,在智能外呼系统,人群测温系统,口罩人脸识别等都有深度学习的应用。

    总结:深度学习是机器学习算法的一种,通过模拟人脑实现相应的功能;应用场景主要包含手机,机器翻译,自动驾驶,语音识别,医疗,安防等。

    计算机视觉(CV)

    计算机视觉定义

    计算机视觉是指用摄像机和电脑及其他相关设备,对生物视觉的一种模拟。它的主要任务让计算机理解图片或者视频中的内容,就像人类和许多其他生物每天所做的那样。

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hEy2ogvG-1644477865520)(image-20201013160059140.png)]

    我们可以将其任务目标拆分为:

    • 让计算机理解图片中的场景(办公室,客厅,咖啡厅等)
    • 让计算机识别场景中包含的物体(宠物,交通工具,人等)
    • 让计算机定位物体在图像中的位置(物体的大小,边界等)
    • 让计算机理解物体之间的关系或行为(是在对话,比赛或吵架等),以及图像表达的意义(喜庆的,悲伤的等)

    那我们在OpenCV阶段,主要学习图像处理,而图像处理主要目的是对图像的处理,比如平滑,缩放等,想、从而为其他任务(比如“计算机视觉”)做好前期工作。

    常见任务

    根据上述对计算机视觉目标任务的分解,可将其分为三大经典任务:图像分类、目标检测、图像分割

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Krapbzm8-1644477865521)(image-20201013161400022.png)]

    • 图像分类(Classification):即是将图像结构化为某一类别的信息,用事先确定好的类别(category)来描述图片。
    • 目标检测(Detection):分类任务关心整体,给出的是整张图片的内容描述,而检测则关注特定的物体目标,要求同时获得这一目标的类别信息和位置信息(classification + localization)。
    • 图像分割(Segmentation):分割是对图像的像素级描述,它赋予每个像素类别(实例)意义,适用于理解要求较高的场景,如无人驾驶中对道路和非道路的分割。

    应用场景

    计算机视觉涉及的领域复杂,具有广泛的实际应用范围。总体而言,依赖于人工智能和机器学习,尤其是计算机视觉的创新的好处是,从电子商务行业到更经典的各种类型和规模的公司都可以利用其强大的功能,下图展示了相关的应用场景及相关的企业:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SLIyJTmN-1644477865522)(笔记图片/image-20201013162540711.png)]

    发展历史(了解)

    • 1963年,Larry Roberts发表了CV领域的第一篇专业论文,用以对简单几何体进行边缘提取和三维重建。

    • 1966年,麻省理工学院(MIT)发起了一个夏季项目,目标是搭建一个机器视觉系统,完成模式识别(pattern recognition)等工作。虽然未成功,但是计算机视觉作为一个科学领域的正式诞生的标志。

    • 1982年,学者David Marr发表的著作《Vision》从严谨又长远的角度给出了CV的发展方向和一些基本算法,其中不乏现在为人熟知的“图层”的概念、边缘提取、三维重建等,标志着计算机视觉成为了一门独立学科。

    • 1999年David Lowe提出了尺度不变特征变换(SIFT, Scale-invariant feature transform)目标检测算法,用于匹配不同拍摄方向、纵深、光线等图片中的相同元素。

    • 2009年,由Felzenszwalb教授在提出基于HOG的deformable parts model,可变形零件模型开发,它是深度学习之前最好的最成功的objectdetection & recognition算法。

    • Everingham等人在2006年至2012年间搭建了一个大型图片数据库,供机器识别和训练,称为PASCAL Visual Object Challenge,该数据库中有20种类别的图片,每种图片数量在一千至一万张不等。

    • 2009年,李飞飞教授等在CVPR2009上发表了一篇名为《ImageNet: A Large-Scale Hierarchical Image Database》的论文,发布了ImageNet数据集,这是为了检测计算机视觉能否识别自然万物,回归机器学习,克服过拟合问题。

    • 2012 年,Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 创造了一个“大型的深度卷积神经网络”,也即现在众所周知的 AlexNet,赢得了当年的 ILSVRC。这是史上第一次有模型在 ImageNet 数据集表现如此出色。自那时起,CNN 才成了家喻户晓的名字。
    • 2014年,蒙特利尔大学提出生成对抗网络(GAN):拥有两个相互竞争的神经网络可以使机器学习得更快。一个网络尝试模仿真实数据生成假的数据,而另一个网络则试图将假数据区分出来。随着时间的推移,两个网络都会得到训练,生成对抗网络(GAN)被认为是计算机视觉领域的重大突破。
    • 2018年末,英伟达发布的视频到视频生成(Video-to-Video synthesis),它通过精心设计的发生器、鉴别器网络以及时空对抗物镜,合成高分辨率、照片级真实、时间一致的视频,实现了让AI更具物理意识,更强大,并能够推广到新的和看不见的更多场景。
    • 2019,更强大的GAN,BigGAN,是拥有了更聪明的学习技巧的GAN,由它训练生成的图像连它自己都分辨不出真假,因为除非拿显微镜看,否则将无法判断该图像是否有任何问题,因而,它更被誉为史上最强的图像生成器.

    总结:计算机视觉就是让计算机理解图片或者视频中的内容;计算机视觉的任务是图像分类,目标检测,图像分割;应用场景包括人脸识别,视频监控,图片识别分析,辅助驾驶。

    从今天开始就要进入深度学习和计算机视觉的大门了,目的是学完这方面的内容,实现毕设的想法,加油!!!

    展开全文
  • 深度学习与计算机视觉入门

    千次阅读 2022-01-17 13:02:49
    向大家推荐两本新书,《深度学习计算机视觉实战》和《学习OpenCV4:基于Python的算法实战》。 《深度学习计算机视觉实战》讲了计算机视觉理论基础,讲了案例项目,讲了模型部署,这些项目学会之后可以直接套用到自己...

    在这里插入图片描述

    ————————————————
    在这里插入图片描述

    深度学习相关:
    在这里插入图片描述
    计算机视觉相关:
    在这里插入图片描述
    机器学习相关:
    在这里插入图片描述
    OpenCV相关:
    在这里插入图片描述
    Python编程相关:
    在这里插入图片描述

    展开全文
  • 本课程适合具有一定深度学习基础,希望发展为深度学习计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。...
  • 基于深度学习计算机视觉:原理实践 深度学习原理.pdf
  • 深度学习计算机视觉领域的应用进展.pdf
  • MATLAB计算机视觉与深度学习实战书本的所有代码
  • 深度学习公开课:计算机视觉PPT
  • 本文讲解了斯坦福大学 CS231n 课程的内容框架(深度学习 + 卷积神经网络 + 计算机视觉应用)和学习基础,帮助了解计算机视觉的历史和技术发展【对应 CS231n Lecture 1】
  • 基于计算机视觉的智慧养老系统通过(模拟)多组摄像头实时拍摄到的画面,用计算机视觉技术实时分析老人的情感、是否有人摔倒、是否有人闯入禁止区域、老人是否有和义工互动、分析是否有陌生人出现并追踪陌生人。...
  • 本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记,对应的课程视频可以在 这里 查看。更多资料获取方式见文末。 前言 深度可视化技术是深度学习中一个仍处于探索...
  • 本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记,对应的课程视频可以在 这里 查看。更多资料获取方式见文末。 引言 ShowMeAI在前面的内容中给大家做了很多图像...
  • 本课程适合具有一定深度学习基础,希望发展为深度学习计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。...
  • 本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记,对应的课程视频可以在 这里 查看。更多资料获取方式见文末。 引言 前一篇ShowMeAI的文章 深度学习与计算机视觉...
  • 点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达 本文转自|新机器视觉计算机视觉领域正在从统计方法转向深度学习神经网络方法。计算机视觉中仍有许多具有...
  • 第一篇一、计算机视觉的难点人工神经网络1、初识计算机视觉2、计算机视觉的基础方向二、关于Anaconda的安装TensorFlow的安装1、安装Pycharm和Anaconda2、在Pycharm中使用虚拟环境 一、计算机视觉的难点人工...
  • 详细介绍计算机视觉整个发展技术脉络,包括图像预处理、图像特征描述、深度学习之前的图像处理、神经网络BP算法、深度学习基础、图像分类、图像检索、目标检测等具体应用,还包括通用场景图像分割、医疗影像分割...
  • 本文讲解了深度学习硬件知识(CPU、GPU、TPU),主流深度学习框架(TensorFlow、PyTorch)相关知识,借助于工具可以实际搭建训练神经网络【对应 CS231n Lecture 8】
  • 深度学习计算机视觉实战】无人驾驶中的车道线检测 计算机视觉.pdf
  • 图像分类是计算机视觉的核心任务。本文讲解数据驱动的模型算法,包括最邻近算法、KNN分类器、线性分类器的原理、各自的优缺点和实际应用【对应 CS231n Lecture 2】
  • 基于深度学习计算机视觉在无人驾驶汽车中的运用.pdf
  • 深度学习与计算机视觉综述 胡玉针170219模式识别 施杰 170236 检测 本报告主要讲述在计算机视觉领域深度学习如何逐渐占据主流以 及传统的识别算法的优缺点,较为详细的个绍了CNN卷积神经网 络的架构,简单介绍了深度...
  • 本文讲解了神经网络计算图、前向传播反向传播、标量向量化形式计算、求导链式法则应用、神经网络结构、 激活函数等内容【对应 CS231n Lecture 4】

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 131,483
精华内容 52,593
关键字:

深度学习与计算机视觉