【PyTorch实战演练】深入剖析MTCNN(多任务级联卷积神经网络)并使用30行代码实现人脸识别
0. 前言 按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。 本文详细介绍MTCNN——多任务级联卷积神经网络的结构，并通过PyTorch实例说明MTCNN在人脸识别上的应用。 MTCNN的全称...
【Python深度学习】Tensorflow+CNN进行人脸识别实战（附源码和数据集）
需要源码和数据集请点赞关注收藏后评论区留言私信~~~下面利用tensorflow平台进行人脸识别实战，使用的是Olivetti Faces人脸图像 部分数据集展示如下 程序训练过程如下 接下来训练CNN模型 可以看到训练进度和损失值变化接下来展示人脸识别结果程序会根据一张图片自动去图片集中寻找相似的...
CNN卷积神经网络手写数字集实现对抗样本与对抗攻击实战（附源码）
需要源码请点赞关注收藏后评论区留言私信~~~在讨论卷积神经网络时，给出了一个用卷积神经网络来完成手写体数学识别的示例，其TensorFlow2版本能达到0.986的识别率。用该卷积神经网络模型来示例对抗样本对神经网络模型的攻击。用训练好的卷积神经网络模型对该对抗样本图片进行预测，得到错误结果为3。 ...
【Python机器学习】卷积神经网络Vgg19模型预测动物类别实战（附源码和数据集）
需要源码和数据集请点赞关注收藏后评论区留言私信~~~典型神经网络在深度学习的发展过程中，出现了很多经典的卷积神经网络，它们对深度学习的学术研究和工业生产斗起到了促进的作用，如VGG ResNet Inception DenseNet等等，很多实际使用的卷积神经网络都是在它们的基础上进行改进的，下面主...
【Keras计算机视觉】Faster R-CNN神经网络实现目标检测实战（附源码和数据集 超详细）
需要源码请点赞关注收藏后评论区留言私信~~~一、目标检测的概念目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和...
【计算机视觉+CNN】keras+ResNet残差网络实现图像识别分类实战（附源码和数据集 超详细）
需要源码和数据集请点赞关注收藏后评论区留言私信~~~一、深度卷积神经网络模型结构1：LeNet-5LeNet-5卷积神经网络首先将输入图像进行了两次卷积与池化操作，然后是两次全连接层操作，最后使用Softmax分类器作为多分类输出，它对手写数字的识别十分有效，取得了超过人眼的识别精度，被应用于邮政编...
深度强化学习中Double DQN算法（Q-Learning+CNN）的讲解及在Asterix游戏上的实战（超详细 附源码）
需要源码和环境搭建请点赞关注收藏后评论区留下QQ~~~一、核心思想针对DQN中出现的高估问题，有人提出深度双Q网络算法（DDQN），该算法是将强化学习中的双Q学习应用于DQN中。在强化学习中，双Q学习的提出能在一定程度上缓解Q学习带来的过高估计问题。DDQN的主要思想是在目标值计算时将动作的选择和评...
深度强化学习中深度Q网络（Q-Learning+CNN）的讲解以及在Atari游戏中的实战（超详细 附源码）
需要源码请点赞收藏关注后评论区留下QQ~~~深度强化学习将深度学习的感知（预测能力）与强化学习的决策能力相结合，利用深度神经网络具有有效识别高维数据的能力，使得强化学习算法在处理高纬度状态空间任务中更加有效一、DQN算法简介1：核心思想深度Q网络算法（DQN）是一种经典的基于值函数的深度强化学习算法...
PyTorch深度学习中卷积神经网络（CNN）的讲解及图像处理实战（超详细 附源码）
需要源码和图片集请点赞关注收藏后评论区留言私信~~~一、卷积神经网络简介卷积神经网络是深度学习中最常用的一种网络结构，它作为一种深度神经网络结构，擅长处理图像相关的问题，能够将目标图像降维并提取特征，以进行分类识别等运算二、卷积神经网络核心思想1：局部感知图像的局部像素之间往往存在着较强的相关性，局...
PyTorch搭建图卷积神经网络（GCN）完成对论文分类及预测实战（附源码和数据集）
需要数据集和源码请点赞关注收藏后评论区留言~~~一、数据集简介我们将使用Cora数据集。该数据集共2708个样本点，每个样本点都是一篇科学论文，所有样本点被分为7个类别，类别分别是1）基于案例；2）遗传算法；3）神经网络；4）概率方法；5）强化学习；6）规则学习；7）理论每篇论文都由一个1433维的...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
