在神經(jīng)網(wǎng)絡(luò)建模中，經(jīng)常會(huì)出現(xiàn)關(guān)于神經(jīng)網(wǎng)絡(luò)應(yīng)該有多復(fù)雜的問題，即它應(yīng)該有多少層，或者它的濾波器矩陣應(yīng)該有多大。這個(gè)問題沒有簡單的答案。與此相關(guān)，討論網(wǎng)絡(luò)過擬合和欠擬合非常重要。過擬合是模型過于復(fù)雜
2023-11-24 15:35:47
237 
神經(jīng)網(wǎng)絡(luò)Matlab程序
2009-09-15 12:52:24
神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)的優(yōu)化首先是對(duì)模型的當(dāng)前狀態(tài)進(jìn)行誤差估計(jì)，然后為了減少下一次評(píng)估的誤差，需要使用一個(gè)能夠表示錯(cuò)誤函數(shù)對(duì)權(quán)重進(jìn)行更新，這個(gè)函數(shù)被稱為損失函數(shù)。損失函數(shù)的選擇與神經(jīng)網(wǎng)絡(luò)模型從示例中學(xué)
2022-10-20 17:14:15
神經(jīng)網(wǎng)絡(luò)基本介紹
2018-01-04 13:41:23
神經(jīng)元 第3章 EBP網(wǎng)絡(luò)(反向傳播算法) 3.1 含隱層的前饋網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 3.2 Sigmoid激發(fā)函數(shù)下的BP算法 3.3 BP網(wǎng)絡(luò)的訓(xùn)練與測試 3.4 BP算法的改進(jìn) 3.5 多層
2012-03-20 11:32:43
將神經(jīng)網(wǎng)絡(luò)移植到STM32最近在做的一個(gè)項(xiàng)目需要用到網(wǎng)絡(luò)進(jìn)行擬合，并且將擬合得到的結(jié)果用作控制，就在想能不能直接在單片機(jī)上做神經(jīng)網(wǎng)絡(luò)計(jì)算，這樣就可以實(shí)時(shí)計(jì)算，不依賴于上位機(jī)。所以要解決的主要是兩個(gè)
2022-01-11 06:20:53
神經(jīng)網(wǎng)絡(luò)簡介
2012-08-05 21:01:08
、成本及功耗的要求。輕型嵌入式神經(jīng)網(wǎng)絡(luò)卷積式神經(jīng)網(wǎng)絡(luò) (CNN) 的應(yīng)用可分為三個(gè)階段：訓(xùn)練、轉(zhuǎn)化及 CNN 在生產(chǎn)就緒解決方案中的執(zhí)行。要想獲得一個(gè)高性價(jià)比、針對(duì)大規(guī)模車輛應(yīng)用的高效結(jié)果，必須在每階段
2017-12-21 17:11:34
基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法
2019-05-16 17:25:05
，神經(jīng)網(wǎng)絡(luò)之父Hiton始終堅(jiān)持計(jì)算機(jī)能夠像人類一樣思考，用直覺而非規(guī)則。盡管這一觀點(diǎn)被無數(shù)人質(zhì)疑過無數(shù)次，但隨著數(shù)據(jù)的不斷增長和數(shù)據(jù)挖掘技術(shù)的不斷進(jìn)步，神經(jīng)網(wǎng)絡(luò)開始在語音和圖像等方面超越基于邏輯的人
2018-06-05 10:11:50
CV之YOLOv3：深度學(xué)習(xí)之計(jì)算機(jī)視覺神經(jīng)網(wǎng)絡(luò)Yolov3-5clessses訓(xùn)練自己的數(shù)據(jù)集全程記錄
2018-12-24 11:51:47
CV之YOLO：深度學(xué)習(xí)之計(jì)算機(jī)視覺神經(jīng)網(wǎng)絡(luò)tiny-yolo-5clessses訓(xùn)練自己的數(shù)據(jù)集全程記錄
2018-12-24 11:50:57
工智能應(yīng)用開發(fā)可歸納為以下幾個(gè)步驟：（1）準(zhǔn)備數(shù)據(jù)集在傳統(tǒng)的有監(jiān)督的神經(jīng)網(wǎng)絡(luò)算法中，數(shù)據(jù)集對(duì)最終的算法性能起著決定性的關(guān)鍵作用。因此，神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的首要任務(wù)，就是實(shí)現(xiàn)數(shù)據(jù)集的搜集工作。在機(jī)器視覺任務(wù)中，有
2020-05-18 17:13:24
MATLAB神經(jīng)網(wǎng)絡(luò)
2013-07-08 15:17:13
遞歸網(wǎng)絡(luò)newelm 創(chuàng)建一Elman遞歸網(wǎng)絡(luò)2. 網(wǎng)絡(luò)應(yīng)用函數(shù)sim 仿真一個(gè)神經(jīng)網(wǎng)絡(luò)init 初始化一個(gè)神經(jīng)網(wǎng)絡(luò)adapt 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)化train 訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)3. 權(quán)函數(shù)dotprod
2009-09-22 16:10:08
我在MATLAB中進(jìn)行了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，然后將訓(xùn)練好的模型的閾值和權(quán)值導(dǎo)出來，移植到STM32F407單片機(jī)上進(jìn)行計(jì)算，但是在單片機(jī)上的計(jì)算結(jié)果和在MATLAB上的不一樣，一直找不到原因。代碼在
2020-06-16 11:14:28
請(qǐng)問：我在用labview做BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷，在NI官網(wǎng)找到了機(jī)器學(xué)習(xí)工具包（MLT），但是里面沒有關(guān)于這部分VI的幫助文檔，對(duì)于”BP神經(jīng)網(wǎng)絡(luò)分類“這個(gè)范例有很多不懂的地方，比如
2017-02-22 16:08:08
習(xí)神經(jīng)神經(jīng)網(wǎng)絡(luò)，對(duì)于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)是如何一直沒有具體實(shí)現(xiàn)一下：現(xiàn)看到一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)模型用于訓(xùn)練的輸入數(shù)據(jù):對(duì)應(yīng)的輸出數(shù)據(jù):我們這里設(shè)置：1：節(jié)點(diǎn)個(gè)數(shù)設(shè)置：輸入層、隱層、輸出層的節(jié)點(diǎn)
2021-08-18 07:25:21
`本篇主要介紹：人工神經(jīng)網(wǎng)絡(luò)的起源、簡單神經(jīng)網(wǎng)絡(luò)模型、更多神經(jīng)網(wǎng)絡(luò)模型、機(jī)器學(xué)習(xí)的步驟：訓(xùn)練與預(yù)測、訓(xùn)練的兩階段：正向推演與反向傳播、以TensorFlow + Excel表達(dá)訓(xùn)練流程以及AI普及化教育之路。`
2020-11-05 17:48:39
的神經(jīng)網(wǎng)絡(luò)編程，想基于此開發(fā)板，進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)。項(xiàng)目計(jì)劃：1.基于官方的文檔及資料，熟悉此開發(fā)板。2.測試官方demo，學(xué)習(xí)ARM內(nèi)核和FPGA如何協(xié)調(diào)工作。3.基于自己最近
2019-01-09 14:48:59
項(xiàng)目名稱：基于PYNQ的卷積神經(jīng)網(wǎng)絡(luò)加速試用計(jì)劃：申請(qǐng)理由：本人研究生在讀，想要利用PYNQ深入探索卷積神經(jīng)網(wǎng)絡(luò)的硬件加速，在PYNQ上實(shí)現(xiàn)圖像的快速處理項(xiàng)目計(jì)劃：1、在PC端實(shí)現(xiàn)Lnet網(wǎng)絡(luò)的訓(xùn)練
2018-12-19 11:37:22
能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)系統(tǒng)，通俗的講就是具備學(xué)習(xí)功能?，F(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計(jì)性數(shù)據(jù)建模工具。簡單來說，就是給定輸入，神經(jīng)網(wǎng)絡(luò)經(jīng)過一系列計(jì)算之后，輸出最終結(jié)果。這好比人的大腦
2019-03-03 22:10:19
成功了?？偨Y(jié)本文講解了基于python代碼的神經(jīng)網(wǎng)絡(luò)圖形識(shí)別。這里使用了一個(gè)較小的樣本數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，即完成了手寫圖形的識(shí)別。訓(xùn)練樣本及測試數(shù)據(jù)均來自于網(wǎng)絡(luò)，感興趣的朋友可以自己手寫數(shù)字來進(jìn)行測試
2019-03-18 21:51:33
上的USB攝像頭作為主要傳感器，采集得到的前方道路圖像經(jīng)過數(shù)據(jù)預(yù)處理后，接入神經(jīng)網(wǎng)絡(luò)的輸入層，由神經(jīng)網(wǎng)絡(luò)的輸出層狀態(tài)將生成控制信號(hào)，控制小車的直走、左轉(zhuǎn)、右轉(zhuǎn)、與停止。交通標(biāo)識(shí)識(shí)別功能同樣使用USB
2019-03-02 23:10:52
指神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)新知識(shí)的同時(shí)要保持對(duì)之前學(xué)習(xí)的知識(shí)的記憶，而不是狗熊掰棒子SOM神經(jīng)網(wǎng)絡(luò)是一種競爭學(xué)習(xí)型的無監(jiān)督神經(jīng)網(wǎng)絡(luò)，它能將高維輸入數(shù)據(jù)映射到低維空間（通常為二維），同時(shí)保持輸入數(shù)據(jù)在高維空間
2019-07-21 04:30:00
`BP神經(jīng)網(wǎng)絡(luò)首先給出只包含一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)模型（兩層神經(jīng)網(wǎng)絡(luò)）： BP神經(jīng)網(wǎng)絡(luò)其實(shí)由兩部分組成：前饋神經(jīng)網(wǎng)絡(luò)：神經(jīng)網(wǎng)絡(luò)是前饋的，其權(quán)重都不回送到輸入單元，或前一層輸出單元（數(shù)據(jù)信息是單向
2019-07-21 04:00:00
這個(gè)網(wǎng)絡(luò)輸入和相應(yīng)的輸出來“訓(xùn)練”這個(gè)網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)輸入和輸出不斷地調(diào)節(jié)自己的各節(jié)點(diǎn)之間的權(quán)值來滿足輸入和輸出。這樣，當(dāng)訓(xùn)練結(jié)束后，我們給定一個(gè)輸入，網(wǎng)絡(luò)便會(huì)根據(jù)自己已調(diào)節(jié)好的權(quán)值計(jì)算出一個(gè)輸出。這就是神經(jīng)網(wǎng)絡(luò)的簡單原理。 神經(jīng)網(wǎng)絡(luò)原理下載-免費(fèi)
2008-06-19 14:40:42
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是一種類似生物神經(jīng)網(wǎng)絡(luò)的信息處理結(jié)構(gòu)，它的提出是為了解決一些非線性，非平穩(wěn)，復(fù)雜的實(shí)際問題。那有哪些辦法能實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)呢？
2019-08-01 08:06:21
簡單理解LSTM神經(jīng)網(wǎng)絡(luò)
2021-01-28 07:16:57
分辨率、轉(zhuǎn)換、遷移、描述等等都已經(jīng)可以使用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)。其背后的技術(shù)可以一言以蔽之：深度卷積神經(jīng)網(wǎng)絡(luò)具有超強(qiáng)的圖像特征提取能力。其中，風(fēng)格遷移算法的成功，其主要基于兩點(diǎn)：1.兩張圖像經(jīng)過預(yù)訓(xùn)練
2018-05-08 15:57:47
優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法有哪些？
2022-09-06 09:52:36
全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別
2019-06-06 14:21:42
請(qǐng)問用matlab編程進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)，訓(xùn)練結(jié)果很多都是合適的，但如何確定最合適的？且如何用最合適的BP模型進(jìn)行外推預(yù)測？
2014-02-08 14:23:06
本文首先簡單的選取了少量的樣本并進(jìn)行樣本歸一化，這樣就得到了可供訓(xùn)練的訓(xùn)練集和測試集。然后訓(xùn)練了400×25×2的三層BP神經(jīng)網(wǎng)絡(luò)，最后對(duì)最初步的模型進(jìn)行了誤差分析并找到了一種效果顯著的提升方法！
2021-07-12 06:49:37
以前的神經(jīng)網(wǎng)絡(luò)幾乎都是部署在云端（服務(wù)器上），設(shè)備端采集到數(shù)據(jù)通過網(wǎng)絡(luò)發(fā)送給服務(wù)器做inference（推理），結(jié)果再通過網(wǎng)絡(luò)返回給設(shè)備端。如今越來越多的神經(jīng)網(wǎng)絡(luò)部署在嵌入式設(shè)備端上，即
2021-12-23 06:16:40
卷積神經(jīng)網(wǎng)絡(luò)為什么適合圖像處理？
2022-09-08 10:23:10
卷積神經(jīng)網(wǎng)絡(luò)(CNN)究竟是什么，鑒于神經(jīng)網(wǎng)絡(luò)在工程上經(jīng)歷了曲折的歷史，您為什么還會(huì)在意它呢? 對(duì)于這些非常中肯的問題，我們似乎可以給出相對(duì)簡明的答案。
2019-07-17 07:21:50
十余年來快速發(fā)展的嶄新領(lǐng)域，越來越受到研究者的關(guān)注。卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型是深度學(xué)習(xí)模型中最重要的一種經(jīng)典結(jié)構(gòu)，其性能在近年來深度學(xué)習(xí)任務(wù)上逐步提高。由于可以自動(dòng)學(xué)習(xí)樣本數(shù)據(jù)的特征表示，卷積
2022-08-02 10:39:39
卷積神經(jīng)網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu) 卷積神經(jīng)網(wǎng)絡(luò)的常用框架
2020-12-29 06:16:44
復(fù)雜數(shù)據(jù)中提取特征的強(qiáng)大工具。例如，這包括音頻信號(hào)或圖像中的復(fù)雜模式識(shí)別。本文討論了 CNN 相對(duì)于經(jīng)典線性規(guī)劃的優(yōu)勢。后續(xù)文章“訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：什么是機(jī)器學(xué)習(xí)？——第2部分”將討論如何訓(xùn)練CNN
2023-02-23 20:11:10
什么是卷積神經(jīng)網(wǎng)絡(luò)？ImageNet-2010網(wǎng)絡(luò)結(jié)構(gòu)是如何構(gòu)成的？有哪些基本參數(shù)？
2021-06-17 11:48:22
為提升識(shí)別準(zhǔn)確率，采用改進(jìn)神經(jīng)網(wǎng)絡(luò)，通過Mnist數(shù)據(jù)集進(jìn)行訓(xùn)練。整體處理過程分為兩步：圖像預(yù)處理和改進(jìn)神經(jīng)網(wǎng)絡(luò)推理。圖像預(yù)處理主要根據(jù)圖像的特征，將數(shù)據(jù)處理成規(guī)范的格式，而改進(jìn)神經(jīng)網(wǎng)絡(luò)推理主要用于輸出結(jié)果。 整個(gè)過程分為兩個(gè)步驟：圖像預(yù)處理和神經(jīng)網(wǎng)絡(luò)推理。需要提前安裝Tengine框架，
2021-12-23 08:07:33
最近在學(xué)習(xí)電機(jī)的智能控制，上周學(xué)習(xí)了基于單神經(jīng)元的PID控制，這周研究基于BP神經(jīng)網(wǎng)絡(luò)的PID控制。神經(jīng)網(wǎng)絡(luò)具有任意非線性表達(dá)能力，可以通過對(duì)系統(tǒng)性能的學(xué)習(xí)來實(shí)現(xiàn)具有最佳組合的PID控制。利用BP
2021-09-07 07:43:47
得出得神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)誤差曲線和數(shù)字識(shí)別結(jié)果如圖1 所示?！ ”疚膶? ~ 9 共10 類數(shù)據(jù)中的每類取20 個(gè)做測試樣本，共200 個(gè)測試樣本對(duì)系統(tǒng)進(jìn)行性能測試。測試結(jié)果如表1 所列。由表1 中的數(shù)據(jù)
2018-11-13 16:04:45
FPGA實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)關(guān)鍵問題分析基于FPGA的ANN實(shí)現(xiàn)方法基于FPGA的神經(jīng)網(wǎng)絡(luò)的性能評(píng)估及局限性
2021-04-30 06:58:13
基于光學(xué)芯片的神經(jīng)網(wǎng)絡(luò)訓(xùn)練解析，不看肯定后悔
2021-06-21 06:33:55
作者：Nagesh Gupta 創(chuàng)始人兼 CEOAuviz Systems Nagesh@auvizsystems.com憑借出色的性能和功耗指標(biāo)，賽靈思 FPGA 成為設(shè)計(jì)人員構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
2019-06-19 07:24:41
本文介紹了如何使用Keras框架，搭建一個(gè)小型的神經(jīng)網(wǎng)絡(luò)-多層感知器，并通過給定數(shù)據(jù)進(jìn)行計(jì)算訓(xùn)練，最好將訓(xùn)練得到的模型提取出參數(shù)，放在51單片機(jī)上進(jìn)行運(yùn)行。
2021-11-22 07:00:41
如何用stm32cube.ai簡化人工神經(jīng)網(wǎng)絡(luò)映射？如何使用stm32cube.ai部署神經(jīng)網(wǎng)絡(luò)？
2021-10-11 08:05:42
原文鏈接：http://tecdat.cn/?p=5725 神經(jīng)網(wǎng)絡(luò)是一種基于現(xiàn)有數(shù)據(jù)創(chuàng)建預(yù)測的計(jì)算系統(tǒng)。如何構(gòu)建神經(jīng)網(wǎng)絡(luò)？神經(jīng)網(wǎng)絡(luò)包括：輸入層：根據(jù)現(xiàn)有數(shù)據(jù)獲取輸入的層隱藏層：使用反向傳播優(yōu)化輸入變量權(quán)重的層，以提高模型的預(yù)測能力輸出層：基于輸入和隱藏層的數(shù)據(jù)輸出預(yù)測
2021-07-12 08:02:11
訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)并移植到Lattice FPGA上，通常需要開發(fā)人員既要懂軟件又要懂?dāng)?shù)字電路設(shè)計(jì)，是個(gè)不容易的事。好在FPGA廠商為我們提供了許多工具和IP，我們可以在這些工具和IP的基礎(chǔ)上做
2020-11-26 07:46:03
，并能在腦海中重現(xiàn)這些圖像信息，這不僅與人腦的海量信息存儲(chǔ)能力有關(guān)，還與人腦的信息處理能力，包括數(shù)據(jù)壓縮能力有關(guān)。在各種神經(jīng)網(wǎng)絡(luò)中，多層前饋神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的信息處理能力，由于其采用BP算法，因此也
2019-08-08 06:11:30
現(xiàn)有的圖數(shù)據(jù)規(guī)模極大，導(dǎo)致時(shí)序圖神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要格外長的時(shí)間，因此使用多GPU進(jìn)行訓(xùn)練變得成為尤為重要，如何有效地將多GPU用于時(shí)序圖神經(jīng)網(wǎng)絡(luò)訓(xùn)練成為一個(gè)非常重要的研究議題。本文提供了兩種方式來
2022-09-28 10:37:20
的成分做為電路故障特征，再輸入給量子神經(jīng)網(wǎng)絡(luò)。不僅解決了一個(gè)可測試點(diǎn)問題，并提高了辨識(shí)故障類別的能力，而且在網(wǎng)絡(luò)訓(xùn)練之前，利用主元分析降低了網(wǎng)絡(luò)輸入維數(shù)。通過實(shí)驗(yàn)可以看出，這種方法不僅能實(shí)現(xiàn)模擬電路單軟軟故障診斷，也能實(shí)現(xiàn)多軟軟故障診斷，實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果表明：故障診斷率為100％。
2019-07-05 08:06:02
人工神經(jīng)網(wǎng)絡(luò)在AI中具有舉足輕重的地位，除了找到最好的神經(jīng)網(wǎng)絡(luò)模型和訓(xùn)練數(shù)據(jù)集之外，人工神經(jīng)網(wǎng)絡(luò)的另一個(gè)挑戰(zhàn)是如何在嵌入式設(shè)備上實(shí)現(xiàn)它，同時(shí)優(yōu)化性能和功率效率。 使用云計(jì)算并不總是一個(gè)選項(xiàng)，尤其是當(dāng)
2021-11-09 08:06:27
當(dāng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)用于應(yīng)用的時(shí)候，權(quán)值是不是不能變了？？？？就是已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)是不是相當(dāng)于得到一個(gè)公式了，權(quán)值不能變了
2016-10-24 21:55:22
本文提出了一個(gè)基于FPGA 的信息處理的實(shí)例：一個(gè)簡單的人工神經(jīng)網(wǎng)絡(luò)應(yīng)用Verilog 語言描述，該數(shù)據(jù)流采用模塊化的程序設(shè)計(jì)，并考慮了模塊間數(shù)據(jù)傳輸信號(hào)同 步的問題，有效地解決了人工神經(jīng)網(wǎng)絡(luò)并行數(shù)據(jù)處理的問題。
2021-05-06 07:22:07
小女子做基于labview的蒸發(fā)過程中液位的控制，想使用神經(jīng)網(wǎng)絡(luò)pid控制，請(qǐng)問這個(gè)控制方法可以嗎？有誰會(huì)神經(jīng)網(wǎng)絡(luò)pid控制么。。。叩謝
2016-09-23 13:43:16
求助大神 小的現(xiàn)在有個(gè)難題： 一組車重實(shí)時(shí)數(shù)據(jù) 對(duì)應(yīng)一個(gè)車重的最終數(shù)值（一個(gè)一維數(shù)組輸入對(duì)應(yīng)輸出一個(gè)數(shù)值） 這其中可能經(jīng)過均值、方差、去掉N個(gè)最大值、、、等等的計(jì)算 我的目的就是弄清楚這個(gè)中間計(jì)算過程 最近實(shí)在想不出什么好辦法就打算試試神經(jīng)網(wǎng)絡(luò) 請(qǐng)教大神用什么神經(jīng)網(wǎng)絡(luò)好求神經(jīng)網(wǎng)絡(luò)程序
2016-07-14 13:35:44
嵌入式設(shè)備自帶專用屬性，不適合作為隨機(jī)性很強(qiáng)的人工智能深度學(xué)習(xí)訓(xùn)練平臺(tái)。想象用S3C2440訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法都會(huì)頭皮發(fā)麻，PC上的I7、GPU上都很吃力，大部分都要依靠服務(wù)器來訓(xùn)練。但是一旦算法訓(xùn)練
2021-08-17 08:51:57
針對(duì)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用BP算法比較依賴于網(wǎng)絡(luò)的初始條件,訓(xùn)練時(shí)間較長,容易陷入局部極值的缺點(diǎn),利用粒子群優(yōu)化算法(PSO)的全局搜索性能,將PSO用于模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程.由于基本PSO算法存在
2010-05-06 09:05:35
脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）在FPGA上的實(shí)現(xiàn)，實(shí)現(xiàn)數(shù)據(jù)分類功能，有報(bào)酬。QQ470345140.
2013-08-25 09:57:14
CV之YOLOv3：深度學(xué)習(xí)之計(jì)算機(jī)視覺神經(jīng)網(wǎng)絡(luò)Yolov3-5clessses訓(xùn)練自己的數(shù)據(jù)集全程記錄(第二次)——Jason niu
2018-12-24 11:52:25
我在matlab中訓(xùn)練好了一個(gè)神經(jīng)網(wǎng)絡(luò)模型，想在labview中調(diào)用，請(qǐng)問應(yīng)該怎么做呢？或者labview有自己的神經(jīng)網(wǎng)絡(luò)工具包嗎？
2018-07-05 17:32:32
`將非局部計(jì)算作為獲取長時(shí)記憶的通用模塊，提高神經(jīng)網(wǎng)絡(luò)性能在深度神經(jīng)網(wǎng)絡(luò)中，獲取長時(shí)記憶（long-range dependency）至關(guān)重要。對(duì)于序列數(shù)據(jù)（例如語音、語言），遞歸運(yùn)算
2018-11-12 14:52:50
應(yīng)用神經(jīng)網(wǎng)絡(luò)理論，建立了預(yù)測狀態(tài)監(jiān)測數(shù)據(jù)趨勢的BP 神經(jīng)網(wǎng)絡(luò)模型，并通MATLAB 實(shí)現(xiàn)了仿真編程。實(shí)驗(yàn)中，選取多組數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和測試，證實(shí)了算法和模型的有效性。
2009-09-11 15:53:10
26 基于小波神經(jīng)網(wǎng)絡(luò)的信息系綜合評(píng)價(jià)系統(tǒng)的訓(xùn)練算法
為了對(duì)基于小波神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)綜合評(píng)價(jià)系統(tǒng)進(jìn)行訓(xùn)練，必須確定網(wǎng)絡(luò)參數(shù)Wk ，bk
2009-02-27 09:36:12665 
基于自適應(yīng)果蠅算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練_霍慧慧
2017-01-03 17:41:580 要訓(xùn)練神經(jīng)網(wǎng)絡(luò)，我們需要“訓(xùn)練數(shù)據(jù)集”。訓(xùn)練數(shù)據(jù)集是由對(duì)應(yīng)目標(biāo)z（期望輸出）的輸入信號(hào)（x_1和 x_2）組成。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)迭代過程。在每個(gè)迭代中，使用來自訓(xùn)練數(shù)據(jù)集的新數(shù)據(jù)修改網(wǎng)絡(luò)節(jié)點(diǎn)的加權(quán)系數(shù)。整個(gè)迭代由前向計(jì)算和反向傳播兩個(gè)過程組成。
2017-10-18 18:20:308226 
項(xiàng)兩部分。誤差項(xiàng)衡量神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練數(shù)據(jù)集上的擬合程度，而正則項(xiàng)則是控制模型的復(fù)雜程度，防止出現(xiàn)過擬合現(xiàn)象。
2017-11-16 15:30:5412889 為提高大樣本集情況下BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，提出了一種基于局部收斂權(quán)陣進(jìn)化的BP神經(jīng)網(wǎng)絡(luò)MapReduce訓(xùn)練方法，以各Map任務(wù)基于其輸入數(shù)據(jù)分片訓(xùn)練產(chǎn)生的局部收斂權(quán)陣作為初始種群，在Reduce
2017-11-23 15:07:4012 間．為了降低運(yùn)行程序帶來的時(shí)間消耗，提出一種基于神經(jīng)網(wǎng)絡(luò)的路徑覆蓋測試數(shù)據(jù)進(jìn)化生成方法，主要思想是：首先，利用一定樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以模擬個(gè)體的適應(yīng)值；在利用遺傳算法生成測試數(shù)據(jù)時(shí)，先利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)粗略
2018-01-15 11:35:220 算法進(jìn)行訓(xùn)練。值得指出的是，BP算法不僅可用于多層前饋神經(jīng)網(wǎng)絡(luò)，還可以用于其他類型的神經(jīng)網(wǎng)絡(luò)，例如訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)。但我們通常說 “BP 網(wǎng)絡(luò)” 時(shí)，一般是指用 BP 算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。
2018-06-19 15:17:1542819 
我們進(jìn)行了一個(gè)交互式網(wǎng)絡(luò)實(shí)驗(yàn)，讓你能與一個(gè)名為 sketch-rnn 的循環(huán)神經(jīng)網(wǎng)絡(luò)模型一起繪制作品。我們利用來自于 Quick Draw！ 游戲的數(shù)百萬涂鴉訓(xùn)練該神經(jīng)網(wǎng)絡(luò)。一旦開始繪制對(duì)象，sketch-rnn 將提出許多可行的方法基于你中斷的位置繼續(xù)繪制此對(duì)象。試試第一個(gè)演示。
2018-07-25 10:24:183175 
本視頻主要詳細(xì)介紹了神經(jīng)網(wǎng)絡(luò)分類，分別是BP神經(jīng)網(wǎng)絡(luò)、RBF（徑向基）神經(jīng)網(wǎng)絡(luò)、感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)。
2019-04-02 15:29:2212601 3月24日消息，據(jù)國外媒體報(bào)道，電動(dòng)汽車制造商特斯拉申請(qǐng)了一項(xiàng)專利，該專利涉及如何從其龐大的客戶車隊(duì)中獲取訓(xùn)練數(shù)據(jù)，以訓(xùn)練其自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)。
2020-03-24 13:42:371814 minibatch 的大小， 輸出神經(jīng)元的編碼方式， 代價(jià)函數(shù)的選擇， 權(quán)重初始化的方法， 神經(jīng)元激活函數(shù)的種類， 參加訓(xùn)練模型數(shù)據(jù)的規(guī)模 這些都是可以影響神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度和最后分類結(jié)果，其中神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度主要根據(jù)訓(xùn)練集上代價(jià)函數(shù)下降的快慢有關(guān)，而最后的分類的結(jié)果主要
2021-06-19 14:49:143122 
神經(jīng)網(wǎng)絡(luò)是一個(gè)具有相連節(jié)點(diǎn)層的計(jì)算模型，其分層結(jié)構(gòu)與大腦中的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)相似。神經(jīng)網(wǎng)絡(luò)可通過數(shù)據(jù)進(jìn)行學(xué)習(xí)，因此，可訓(xùn)練其識(shí)別模式、對(duì)數(shù)據(jù)分類和預(yù)測未來事件。
2023-07-26 18:28:411623 
python卷積神經(jīng)網(wǎng)絡(luò)cnn的訓(xùn)練算法? 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）一直是深度學(xué)習(xí)領(lǐng)域重要的應(yīng)用之一，被廣泛應(yīng)用于圖像、視頻、語音等領(lǐng)域
2023-08-21 16:41:37859 模型訓(xùn)練是將模型結(jié)構(gòu)和模型參數(shù)相結(jié)合，通過樣本數(shù)據(jù)的學(xué)習(xí)訓(xùn)練模型，使得模型可以對(duì)新的樣本數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測和分類。本文將詳細(xì)介紹 CNN 模型訓(xùn)練的步驟。 CNN 模型結(jié)構(gòu) 卷積神經(jīng)網(wǎng)絡(luò)的輸入
2023-08-21 16:42:00885 深度神經(jīng)網(wǎng)絡(luò)是一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法，其主要特點(diǎn)是由多層神經(jīng)元構(gòu)成，可以根據(jù)數(shù)據(jù)自動(dòng)調(diào)整神經(jīng)元之間的權(quán)重，從而實(shí)現(xiàn)對(duì)大規(guī)模數(shù)據(jù)進(jìn)行預(yù)測和分類。卷積神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)的一種，主要應(yīng)用于圖像和視頻處理領(lǐng)域。
2023-08-21 17:07:361869 卷積神經(jīng)網(wǎng)絡(luò)主要包括哪些 卷積神經(jīng)網(wǎng)絡(luò)組成部分 卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類廣泛應(yīng)用于計(jì)算機(jī)視覺、自然語言處理等領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)。它具有良好的空間特征學(xué)習(xí)能力，能夠處理具有二維或三維形狀的輸入數(shù)據(jù)
2023-08-21 17:15:22938 。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的挑戰(zhàn)在訓(xùn)練數(shù)據(jù)集的新示例之間取得平衡。七個(gè)具體的技巧，可幫助您更快地訓(xùn)練出更好的神經(jīng)網(wǎng)絡(luò)模型。學(xué)習(xí)和泛化使用反向傳播設(shè)計(jì)和訓(xùn)練網(wǎng)絡(luò)需要做出許多看似任
2023-12-30 08:27:54319 
訓(xùn)練經(jīng)過約50次左右迭代，在訓(xùn)練集上已經(jīng)能達(dá)到99%的正確率，在測試集上的正確率為90.03%，單純的BP神經(jīng)網(wǎng)絡(luò)能夠提升的空間不大了，但kaggle上已經(jīng)有人有卷積神經(jīng)網(wǎng)絡(luò)在測試集達(dá)到了99.3%的準(zhǔn)確率。
2024-03-20 09:58:4440 
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論