在神經(jīng)網(wǎng)絡(luò)建模中，經(jīng)常會出現(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 
的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，并具有自學(xué)習(xí)和自適應(yīng)的能力。簡單來說，就是通過大量的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到結(jié)論。接著就可以輸入新的信息，看最后得出怎樣的回應(yīng)
2018-06-05 10:11:50
神經(jīng)網(wǎng)絡(luò)Matlab程序
2009-09-15 12:52:24
神經(jīng)網(wǎng)絡(luò)基本介紹
2018-01-04 13:41:23
第1章 概述 1.1 人工神經(jīng)網(wǎng)絡(luò)研究與發(fā)展 1.2 生物神經(jīng)元 1.3 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成 第2章人工神經(jīng)網(wǎng)絡(luò)基本模型 2.1 MP模型 2.2 感知器模型 2.3 自適應(yīng)線性
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
近年來，深度學(xué)習(xí)的繁榮，尤其是神經(jīng)網(wǎng)絡(luò)的發(fā)展，顛覆了傳統(tǒng)機(jī)器學(xué)習(xí)特征工程的時(shí)代，將人工智能的浪潮推到了歷史最高點(diǎn)。然而，盡管各種神經(jīng)網(wǎng)絡(luò)模型層出不窮，但往往模型性能越高，對超參數(shù)的要求也越來越嚴(yán)格
2019-09-11 11:52:14
、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
1、ARM Cortex-M系列芯片神經(jīng)網(wǎng)絡(luò)推理庫CMSIS-NN詳解CMSIS-NN是用于ARM Cortex-M系列的芯片的神經(jīng)網(wǎng)絡(luò)推理庫，用于低性能芯片/架構(gòu)的神經(jīng)網(wǎng)絡(luò)部署
2022-08-19 16:06:43
和嵌入式應(yīng)用開發(fā)流程。神經(jīng)網(wǎng)絡(luò)算法的開發(fā)通常在Host主機(jī)上使用GPU加速完成，其簡要的流程如下：開發(fā)人員在Host主機(jī)上進(jìn)行算法開發(fā)工作（訓(xùn)練）；開發(fā)（訓(xùn)練）完成后，通過交叉編譯的方式，在主機(jī)環(huán)境下
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
嵌入式MCU上跑AI模型了，買了一塊開發(fā)板來做一些嘗試，做一下記錄。我所使用的Nucleo開發(fā)板，MCU為STM32F767ZITCube.AI的主要特點(diǎn)：從預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型生成STM32優(yōu)化的庫。...
2022-02-22 06:50:34
請問：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
《 AI加速器架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)》+第一章卷積神經(jīng)網(wǎng)絡(luò)觀感
? ?在本書的引言中也提到“一圖勝千言”，讀完第一章節(jié)后，對其進(jìn)行了一些歸納（如圖1），第一章對常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了介紹，舉例了一些結(jié)構(gòu)
2023-09-11 20:34:01
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。 7.【AI學(xué)習(xí)】第4篇--Python
2020-11-05 17:55:48
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。 7.【AI學(xué)習(xí)】第4篇--Python
2020-11-26 11:57:36
`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
，得到訓(xùn)練參數(shù)2、利用開發(fā)板arm與FPGA聯(lián)合的特性，在arm端實(shí)現(xiàn)圖像預(yù)處理已經(jīng)卷積核神經(jīng)網(wǎng)絡(luò)的池化、激活函數(shù)和全連接，在FPGA端實(shí)現(xiàn)卷積運(yùn)算3、對整個(gè)系統(tǒng)進(jìn)行調(diào)試。4、在基本實(shí)現(xiàn)系統(tǒng)的基礎(chǔ)上
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。現(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
。由于整個(gè)代碼使用python語言編寫，只使用了芯片的ARM處理器部分。雖然訓(xùn)練樣本較小，但在執(zhí)行訓(xùn)練函數(shù)的時(shí)候，也花費(fèi)了不少時(shí)間。如果能利用FPGA部分進(jìn)行神經(jīng)網(wǎng)絡(luò)的硬件加速，應(yīng)該可縮短整個(gè)運(yùn)行時(shí)
2019-03-18 21:51:33
的數(shù)篇帖子里，我會圍繞“基于PYNQ的神經(jīng)網(wǎng)絡(luò)自動(dòng)駕駛小車”項(xiàng)目，對整個(gè)項(xiàng)目的實(shí)現(xiàn)進(jìn)行詳解，相信有電子設(shè)計(jì)基礎(chǔ)的網(wǎng)友們也可以很容易進(jìn)行復(fù)現(xiàn)，制作并訓(xùn)練一輛屬于自己的自動(dòng)駕駛小車。 一、作品背景如今
2019-03-02 23:10:52
元，它決定了該輸入向量在地位空間中的位置。SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的就是為每個(gè)輸出層神經(jīng)元找到合適的權(quán)向量，以達(dá)到保持拓?fù)浣Y(jié)構(gòu)的目的。SOM的訓(xùn)練過程其實(shí)很簡單，就是接收到一個(gè)訓(xùn)練樣本后，每個(gè)輸出層神經(jīng)
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
人工神經(jīng)網(wǎng)絡(luò)是根據(jù)人的認(rèn)識過程而開發(fā)出的一種算法。假如我們現(xiàn)在只有一些輸入和相應(yīng)的輸出，而對如何由輸入得到輸出的機(jī)理并不清楚，那么我們可以把輸入與輸出之間的未知過程看成是一個(gè)“網(wǎng)絡(luò)”，通過不斷地給
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
人工神經(jīng)網(wǎng)絡(luò)課件
2016-06-19 10:15:48
簡單理解LSTM神經(jīng)網(wǎng)絡(luò)
2021-01-28 07:16:57
圖卷積神經(jīng)網(wǎng)絡(luò)
2019-08-20 12:05:29
通過堆疊卷積層使得模型更深更寬，同時(shí)借助GPU使得訓(xùn)練再可接受的時(shí)間范圍內(nèi)得到結(jié)果，推動(dòng)了卷積神經(jīng)網(wǎng)絡(luò)甚至是深度學(xué)習(xí)的發(fā)展。下面是AlexNet的架構(gòu)：AlexNet的特點(diǎn)有：1.借助擁有1500萬標(biāo)簽
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
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，您為什么還會在意它呢? 對于這些非常中肯的問題，我們似乎可以給出相對簡明的答案。
2019-07-17 07:21:50
等[16- 18]進(jìn)行分類。特征提取和分類器的 設(shè)計(jì)是圖片分類等任務(wù)的關(guān)鍵，對分類結(jié)果的好壞 有著最為直接的影響。卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)地從 訓(xùn)練樣本中學(xué)習(xí)特征并且分類，解決了人工特征設(shè)計(jì) 的局限性
2022-08-02 10:39:39
卷積神經(jīng)網(wǎng)絡(luò)的層級結(jié)構(gòu) 卷積神經(jīng)網(wǎng)絡(luò)的常用框架
2020-12-29 06:16:44
抽象人工智能 （AI） 的世界正在迅速發(fā)展，人工智能越來越多地支持以前無法實(shí)現(xiàn)或非常難以實(shí)現(xiàn)的應(yīng)用程序。本系列文章解釋了卷積神經(jīng)網(wǎng)絡(luò) （CNN） 及其在 AI 系統(tǒng)中機(jī)器學(xué)習(xí)中的重要性。CNN 是從
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
二十多種不同的神經(jīng)網(wǎng)絡(luò)計(jì)算，各種復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。它幾乎不依賴硬件平臺，同時(shí)能在各種32bit 和64bit的平臺上編譯運(yùn)行。它提供一鍵轉(zhuǎn)換腳本，可以一行代碼把剛訓(xùn)練好的Keras模型轉(zhuǎn)換成一個(gè)獨(dú)立的C
2019-05-01 19:03:01
為提升識別準(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)字識別結(jié)果如圖1 所示。 本文將0 ~ 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
基于BP神經(jīng)網(wǎng)絡(luò)的辨識
2018-01-04 13:37:27
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)的性能評估及局限性
2021-04-30 06:58:13
基于RBF神經(jīng)網(wǎng)絡(luò)的辨識
2018-01-04 13:38:52
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
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
神經(jīng)網(wǎng)絡(luò)(Neural Networks)是人工神經(jīng)網(wǎng)絡(luò)(Ar-tificial Neural Networks)的簡稱，是當(dāng)前的研究熱點(diǎn)之一。人腦在接受視覺感官傳來的大量圖像信息后，能迅速做出反應(yīng)
2019-08-08 06:11:30
引入了圖采樣，以進(jìn)一步加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練并減少通信開銷。基于上述通信縮減策略，本文提出了時(shí)序圖神經(jīng)網(wǎng)絡(luò)系統(tǒng)T-GCN。實(shí)驗(yàn)結(jié)果表明，T-GCN實(shí)現(xiàn)了最高7.9倍的整體性能提升。在圖采樣性能上，本文提出的線段二分搜索采樣算法能夠?qū)崿F(xiàn)最高38.8倍的采樣性能提升。原作者：追求卓越的Baihai IDP
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
有提供編寫神經(jīng)網(wǎng)絡(luò)預(yù)測程序服務(wù)的嗎？
2011-12-10 13:50:46
求助地震波神經(jīng)網(wǎng)絡(luò)程序，共同交流！！
2013-05-11 08:14:19
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，請問這個(gè)控制方法可以嗎？有誰會神經(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) 對應(yīng)一個(gè)車重的最終數(shù)值（一個(gè)一維數(shù)組輸入對應(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
1、加速神經(jīng)網(wǎng)絡(luò)的必備開源項(xiàng)目 到底純FPGA適不適合這種大型神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)？這個(gè)問題其實(shí)我們不適合回答，但是FPGA廠商是的實(shí)際操作是很有權(quán)威性的，現(xiàn)在不論是Intel還是Xilinx都沒有在
2022-10-24 16:10:50
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。想象用S3C2440訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法都會頭皮發(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
請問用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 14:19:12
最簡單的神經(jīng)網(wǎng)絡(luò)
2019-09-11 11:57:36
一定的早熟收斂問題,引入一種自適應(yīng)動(dòng)態(tài)改變慣性因子的PSO算法,使算法具有較強(qiáng)的全局搜索能力.將此算法訓(xùn)練的模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音識別中,結(jié)果表明,與BP算法相比,粒子群優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)具有較高
2010-05-06 09:05:35
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
原文鏈接：【嵌入式AI部署&基礎(chǔ)網(wǎng)絡(luò)篇】輕量化神經(jīng)網(wǎng)絡(luò)精述--MobileNet V1-3、ShuffleNet V1-2、NasNet深度神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用在圖像分類、物體檢測等機(jī)器
2021-12-14 07:35:25
時(shí)空記憶。增加了幾個(gè)非局部模塊后，我們的“非局部神經(jīng)網(wǎng)絡(luò)”結(jié)構(gòu)能比二維和三維卷積網(wǎng)絡(luò)在視頻分類中取得更準(zhǔn)確的結(jié)果。另外，非局部神經(jīng)網(wǎng)絡(luò)在計(jì)算上也比三維卷積神經(jīng)網(wǎng)絡(luò)更加經(jīng)濟(jì)。我們在 Kinetics
2018-11-12 14:52:50
基于小波神經(jīng)網(wǎng)絡(luò)的信息系綜合評價(jià)系統(tǒng)的訓(xùn)練算法
為了對基于小波神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)綜合評價(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 17:41:58
0 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)集是由對應(yīng)目標(biāo)z（期望輸出）的輸入信號（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 
神經(jīng)網(wǎng)絡(luò)模型的每一類學(xué)習(xí)過程通常被歸納為一種訓(xùn)練算法。訓(xùn)練的算法有很多，它們的特點(diǎn)和性能各不相同。問題的抽象人們把神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程轉(zhuǎn)化為求損失函數(shù)f的最小值問題。一般來說，損失函數(shù)包括誤差項(xiàng)和正則
2017-11-16 15:30:5412889 任務(wù)中通過種群進(jìn)化，選取適應(yīng)度最高的權(quán)陣作為Map任務(wù)下一輪訓(xùn)練的初始權(quán)陣，直至該權(quán)陣對所有輸入數(shù)據(jù)分片收斂。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方法相比，該方法可有效避免MapReduce訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時(shí)容易陷入局部收斂的問題，并大大減少訓(xùn)練時(shí)間。
2017-11-23 15:07:4012 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 
這張圖就是我們的核心了，也是整個(gè)神經(jīng)網(wǎng)絡(luò)的架構(gòu)，只要能理解這個(gè)，那就OK了！首先我們來觀察整個(gè)結(jié)構(gòu)，發(fā)現(xiàn)在神經(jīng)網(wǎng)絡(luò)中是存在多個(gè)層的，有輸入層，隱層1，隱層2，輸出層。那么我們想要得到一個(gè)合適的結(jié)果，就必須通過這么多層得到最終的結(jié)果，
2020-04-17 14:51:112982 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)練其識別模式、對數(shù)據(jù)分類和預(yù)測未來事件。
2023-07-26 18:28:411623 
卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練步驟? 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是一種常用的深度學(xué)習(xí)算法，廣泛應(yīng)用于圖像識別、語音識別、自然語言處理等諸多領(lǐng)域。CNN
2023-08-21 16:42:00885 科學(xué)神經(jīng)網(wǎng)絡(luò)模型使用隨機(jī)梯度下降進(jìn)行訓(xùn)練，模型權(quán)重使用反向傳播算法進(jìn)行更新。通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型解決的優(yōu)化問題非常具有挑戰(zhàn)性，盡管這些算法在實(shí)踐中表現(xiàn)出色，但不能保證它們會及時(shí)收斂到一個(gè)良好的模型
2023-12-30 08:27:54319 
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評論