如何用c 在mnist上實(shí)現(xiàn)一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，有哪些參考資料？在支持向量機(jī)方面，libsvm絕對(duì)是首選庫(kù)，應(yīng)該是應(yīng)用最廣泛的機(jī)器學(xué)習(xí)庫(kù)。讓我們主要推薦一些GitHub的深度學(xué)習(xí)項(xiàng)目！1.1.1

如何用c 在mnist上實(shí)現(xiàn)一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，有哪些參考資料？

在支持向量機(jī)方面，libsvm絕對(duì)是首選庫(kù)，應(yīng)該是應(yīng)用最廣泛的機(jī)器學(xué)習(xí)庫(kù)。讓我們主要推薦一些GitHub的深度學(xué)習(xí)項(xiàng)目！1.1.1網(wǎng)絡(luò)-恒星：2200卷積實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)，可用于分類、回歸、強(qiáng)化學(xué)習(xí)等。2.深度學(xué)習(xí)工具箱-星級(jí)：1000實(shí)施中最熱門的庫(kù)存，包括CNN、DBN、SAE、CAE等主流機(jī)型。3.深度學(xué)習(xí)（yusugomo）-星星：800深度學(xué)習(xí)網(wǎng)絡(luò)是用Python、C/C、Java和scala五種語(yǔ)言實(shí)現(xiàn)的。實(shí)現(xiàn)模型包括DBN/cdbn/RBM/CRBM/DA/SDA/LR。4.神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)-星星：500這個(gè)是同名書籍的匹配代碼，語(yǔ)言為python。5.rbm-mnist-星星：200這個(gè)是Hinton matlab的C重寫版代碼。實(shí)現(xiàn)了拉斯穆森共軛梯度算法。

如何理解卷積神經(jīng)網(wǎng)絡(luò)里卷積過(guò)濾器的深度問(wèn)題？

我們通?？吹降木矸e濾波器原理圖是這樣的：

這實(shí)際上是卷積濾波器的“展平”或“展平”。例如，上圖中的粉紅色卷積濾波器是3x3x3，即長(zhǎng)3，寬3，深3。然而，在圖中，它是在兩個(gè)維度中繪制的-深度被省略。

.由于卷積濾波器的深度與輸入圖像的深度相同，所以原理圖中沒(méi)有繪制深度。如果同時(shí)繪制深度，效果如下：

（圖片來(lái)源：mlnotebook）

如上所述，卷積濾波器的深度與輸入圖像的深度相同，即3。

順便說(shuō)一下，輸入圖像深度是3，因?yàn)檩斎雸D像是彩色圖像，深度是3，分別是R、G和b值。

（圖片來(lái)源：mlnotebook）

總之，卷積濾波器的深度應(yīng)該與輸入數(shù)據(jù)的深度一致。

全卷積神經(jīng)網(wǎng)絡(luò)中的crop層有什么用處，以及是如何實(shí)現(xiàn)的？

有關(guān)相關(guān)說(shuō)明，請(qǐng)參閱代碼Cafe/SRC/Cafe/layers/crop圖層.cpp和cafe/include/cafe/layers/cropu圖層.hpp主要原因是在全卷積時(shí)，pad被加到原始圖像中，比原始圖像大。最后，切下墊子。

cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？

從模型中學(xué)習(xí)卷積參數(shù)，手動(dòng)確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務(wù)來(lái)確定。另外，最近，神經(jīng)網(wǎng)絡(luò)自動(dòng)搜索結(jié)構(gòu)非常流行。最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來(lái)尋找特定數(shù)據(jù)集的最佳網(wǎng)絡(luò)結(jié)構(gòu)

我們必須仔細(xì)考慮。我們很擔(dān)心，如果蘋果利用你的面子貸款幾億，你會(huì)很痛苦。所以如果我們不能用蘋果，就必須用華為。如果我們愛(ài)我們的國(guó)家，我們就必須使用華為。華為將為我們?cè)鎏碇腔?/p>