第九讲_Convolutional neural networks 写在前面 记录一下非常好的博客讲解: [1] CNN 卷积神经网络 https://dorianzi.github.io/2019/04/25/CNN/ 卷积神经网络 上述图片引自:https://dorianzi.github.io/2019/04/25/CNN/ 卷积神经网络是为了处理图片而生的分类任务 全连接神经网络与卷积神经网络 从卷积的角度理解全连接,从全连接的角 2024-10-25 机器学习
第八讲_Optimization Optimization 注意偏导和梯度的区别: 这里讲模型的第四个部分:优化算法,相较于传统的梯度下降优化算法,有很多改进的版本,虽然没有跳脱出梯度下降的框架,但是在传统算法的基础上进行了改进优化,更加好用 梯度下降算法的缺点 梯度消失 saddle point 局部最优 local minimum 各参数尺度不一 different scale GDM (GD with 2024-10-25 机器学习
第三章:BMP文件的读取与显示 BMP文件的读取与显示 常见的图像文件格式 BMP(Bitmap位图) 是一种与设备无关(DIB)的图像文件格式,是Windows环境中经常使用的一种位图格式。其特点是不进行压缩,包含的图像信息丰富,但由此导致了占用磁盘空间过大的缺点。 BMP在单机上非常流行,不受Internet网络欢迎。 采用的是RGB色彩系统。 GIF(.gif)文件 GIF(Graphics Intercha 2024-10-25 数字图像处理
机器学习实验7 本次实验需要实现一个简单的神经网络,并使用梯度下降法训练。 遇到了Xavier初始化,找到了一篇学习资料: https://blog.csdn.net/qq_67720621/article/details/138045784 networkBackward 函数需要对照课件好好学习一下 实验代码 1234567891011121314151617181920212223242526 2024-10-23 机器学习
第七讲_神经网络 Neural Network 使用神经网络进行多分类 神经网络只改变了模型,使用很复杂的模型即可,其他方面都没有改变 神经元的概念 线性神经元 神经网络本质上都是多元复合函数!!!!!,是对模型的改变 不加入激活函数的后果:无论多少层神经网络,最后得到的都是线性模型,学习能力比较差 完全体的神经网络模型如下: 常见的激活函数: 全连接神经网络:可以实现各种组合 2024-10-23 机器学习
第四章:数字图像基本运算 算数运算 算数运算概述 定义:对两幅输入的图像进行点对点的加、减、乘、除计算得到的输出图像,数学表达式为: 加法运算:输出图像 C 的像素值 C(x,y)=A(x,y)+B(x,y) 减法运算:输出图像 C 的像素值 C(x,y)=A(x,y)-B(x,y) 乘法运算:输出图像 C 的像素值 C(x,y)=A(x,y)×B(x,y) 除法运算:输出图像 C 的像素值 C(x,y)= 2024-10-21 数字图像处理
ROS实验报告二 Topic 与 Service 关于ros中的服务通信机制,是一种同步通信,相较于话题通信,区别如下: ROS学习笔记6~Topic(话题) 和Service(服务)的区别 话题通信适用于不断更新的数据传输相关的应用场景 对比项 发布/订阅 请求/响应 通信模式 发布者发布消息,订阅者接收消息,多对多关系 客户端向服务器发送请求,服务器返回响 2024-10-18 ROS #实验报告
MercuryX1调试手册 参考链接: https://docs.elephantrobotics.com/docs/Mercury_X1_cn/7-ExamplesRobotsUsing/ 大象机器人ROS开发手册参考 https://docs.elephantrobotics.com/docs/gitbook/7-ApplicationBasePython/ 基于python开发使用 http://gith 2024-10-17 ROS
机器学习实验6 本次实验需要构造一个简单的 softmax 分类模型,先复习一下基础知识 利用softmax进行预测,得到预测的分类结果 对于损失函数的定义如下: 对损失函数的定义需要重点关注!!! 有了损失函数和梯度就可以构建模型 12345def cost_gradient(W, X, Y, n): G = (1 / n) * np.dot(X.T, predict(X, W) 2024-10-16 机器学习
码题集周赛1 第一题 使用cpp来实现 1234567891011121314151617181920212223242526#include <iostream>#include <cmath>#include <complex>#include <iomanip>int main() { int n; std::cin >& 2024-10-15 码蹄集
数字图像处理实验1 本次实验课实现了对于16色图像、256色图像、24位真彩图像的读取显示,以及灰度变换功能,对于不同深度的图像结构有了进一步的了解,部分代码展示如下,便于温习巩固 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636 2024-10-15 数字图像处理 #实验课
第二章:色彩模型 第二章:色彩模型 面向设备的色彩模型 面向设备的色彩模型有 RGB 和 CMYK 等 RGB色彩模型 RGB模型是基于仿生学原理,人的视网膜有三种细胞,分别对红、绿、蓝三种颜色敏感(其中绿色最敏感)。这三种颜色的光通过相加,可以混合出绝大部分肉眼能看到的颜色 使用最广泛的色彩模型。非常适合在输出显示场合使用,如彩色电视机的显像管、计算机的显示器 RGB模型的扩展-彩色电视模型 2024-10-15 数字图像处理