所有文章 > 当前标签:深度学习框架
深度学习入门系列:VGG、NiN、GoogleNet
深度学习入门系列:VGG、NiN、GoogleNet
2025/03/07
深度学习中的经典卷积神经网络架构解析 今天,我们将通过三个经典的 CNN 架构——VGG、NiN 和 GoogLeNet,来了解如何设计强大的深度学习模型。 使用重复元素的网络(VGG) 1 VGG网络 VGG块: ...
深度学习入门系列:AlexNet和LeNet详细介绍和实现
深度学习入门系列:AlexNet和LeNet详细介绍和实现
【日积月累】 AlexNet和LeNet详细介绍和实现 说到深度学习,大概很多人都会想到那些能够“看图识物”的神经网络,比如帮手机识别照片里的猫咪,或者让汽车知道眼前是红灯还是绿灯。今天,我想跟大家聊聊两位“大功臣”——LeNet和AlexNet。...
2025/03/03
深度学习入门:万字长文带你回顾RCNN,带你了解Fast RCNN到Faster RCNN
深度学习入门:万字长文带你回顾RCNN,带你了解Fast RCNN到Faster RCNN
【日积月累】 Fast RCNN 是一种经典的目标检测算法,通过共享特征提取和 ROI 池化层解决了 RCNN 中重复计算的问题,显著提升了计算效率和检测速度,同时采用融合分类损失与回归损失的高效损失函数,进一步优化了训练过程。其核心创新在于对整张图像提取共享特征图后,通过 ROI 池化层为每个候选区域生成固定长度的特征向量,再进行分类和边界框回归。然而,Fast RCNN 仍依赖外部的选择性搜索算法生成候选区域,效率受限。Faster RCNN 则在此基础上引入区域提议网络(RPN),实现了从卷积特征图中直接生成候选区域的功能,避免了外部算法的依赖,大幅提升了检测速度和精度,成为目标检测领域的标杆模型。Faster RCNN 通过将 RPN 与 Fast RCNN 结合,实现了端到端的训练流程,其架构包括卷积特征提取、RPN、ROI 池化层及分类与回归模块,并通过联合损失函数进行优化,在 COCO 和 PASCAL VOC 等数据集上表现出色,为后续目标检测技术的发展奠定了坚实基础。
2025/03/03
深度学习框架:PyTorch、TensorFlow和Keras全面解析与应用
深度学习框架:PyTorch、TensorFlow和Keras全面解析与应用
【日积月累】 本文全面解析了深度学习框架PyTorch、TensorFlow和Keras的特点、应用场景,并提供了框架选择指南。PyTorch以动态图和灵活性著称,适合学术研究和快速实验;TensorFlow以静态图和丰富的API闻名,广泛用于工业生产环境;Keras以简洁的高级API受到初学者欢迎。文章还探讨了深度学习框架的发展趋势,包括全场景支持、易用性与性能统一、大规模分布式支持等。
2025/01/26
搜索、试用、集成国内外API!
幂简集成API平台已有 4606种API!
API大全
搜索文章
文章精选
na
深度学习入门系列:VGG、NiN、GoogleNet