开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

当向预先训练的CNN添加层时，您是在开始添加还是在后面添加。它像队列还是堆栈？

当向预先训练的CNN添加层时，一般是在后面添加层。这是因为卷积神经网络（CNN）是一种层叠的结构，每一层都对输入数据进行特征提取和转换。在预先训练的CNN中，通常已经包含了一些卷积层和池化层，这些层已经学习到了一些低级和中级的特征。

通过在预先训练的CNN的后面添加新的层，我们可以进一步扩展网络的能力，引入更高级的特征表示。这些新添加的层可以是全连接层、归一化层、Dropout层等。通过在后面添加层，我们可以利用预先训练的网络已经学到的特征，并在此基础上进一步提取更高级的特征。

在这个过程中，我们可以将添加层的操作类比为堆栈。每次添加新的层，都会将其放置在已有层的顶部，形成一个层叠的结构。这样做的好处是，新添加的层可以直接利用前面层已经学到的特征，从而更好地适应当前任务。

需要注意的是，添加层的顺序和具体的网络结构设计是有关的，不同的任务可能需要不同的层次结构和层的顺序。因此，在实际应用中，需要根据具体情况进行调整和优化。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云AI计算平台：https://cloud.tencent.com/product/ai
腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云人工智能服务：https://cloud.tencent.com/product/ai_services
腾讯云视频处理服务：https://cloud.tencent.com/product/vod
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发平台：https://cloud.tencent.com/product/mobdev
腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/baas
腾讯云元宇宙解决方案：https://cloud.tencent.com/solution/metaverse

相关搜索:不确定如何解决在运算符之前识别null 使用Django和Nginx将HTTP正确重定向到HTTPS 在javascript中没有for循环的情况下，如何编写以下代码 HTML页脚“页边距:自动”问题自动复制文本框中的数据 Mat-多行中的多行表格我可以使用正则表达式从一个句子中提取两个单词吗？在Python中加载Yaml文件而不转换为dict svymean返回所有变量的0均值和SE 在Google Sheets中运行行

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

谷歌：神经网络相似性如何帮助我们理解训练和泛化

为了解决任务，深度神经网络（DNN）逐步将输入数据转换为一系列复杂表征（即跨越单个神经元的激活模式）。理解这些表征非常重要，不仅是为了解释，也是为了我们可以更智能地设计机器学习系统。但是，理解这些表征方式非常困难，特别是在比较网络中的表征。在之前的文章中，研究者概述了典型相关分析（CCA）作为理解和比较卷积神经网络（CNN）表征工具的好处，表明了它们在自下而上的模式中会聚，在训练过程中，早期层会逐渐融合到最终层中。

02

神探Sherlock如何用AI破案？教你在Excel中搭建一个人脸识别CNN网络

【导读】人脸识别技术已经有了非常广泛的应用，国内大规模监控系统背后运用的技术就是人脸识别。

02

基于转移学习的图像识别

算法该如何分辨这只狗可能属于哪个品种？当然小伙伴们可以训练自己的卷积神经网络来对这张图片进行分类，但是通常情况下我们既没有GPU的计算能力，也没有时间去训练自己的神经网络。但是，全世界的各个研究团队（例如牛津，谷歌，微软）都拥有足够的计算能力，时间和金钱，而且以前可能已经解决过一些类似的问题。我们该如何利用他们已经完成的工作呢？现在来让我们了解一个重要的概念——转移学习。

02

译：Tensorflow实现的CNN文本分类

翻译自博客：IMPLEMENTING A CNN FOR TEXT CLASSIFICATION IN TENSORFLOW 原博文：http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/ github：https://github.com/dennybritz/cnn-text-classification-tf 在这篇文章中，我们将实现一个类似于Kim Yoon的卷积神经网络语句分类

05

详解AI加速器（一）：2012年的AlexNet到底做对了什么？

当代世界正在经历一场革命，人类的体验从未与科技如此紧密地结合在一起。过去，科技公司通过观察用户行为、研究市场趋势，在一个通常需要数月甚至数年时间的周期中优化产品线来改进产品。如今，人工智能已经为无需人工干预就能驱动人机反馈的自我改进（self-improving）算法铺平了道路：人类体验的提升给好的技术解决方案带去奖励，而这些技术解决方案反过来又会提供更好的人类体验。这一切都是在数百万（甚至数十亿）用户的规模下完成的，并极大地缩短了产品优化周期。

02

TensorFlow 2.0入门

谷歌于2019年3月6日和7日在其年度TensorFlow开发者峰会上发布了最新版本的TensorFlow机器学习框架。这一新版本使用TensorFlow的方式进行了重大改进。TensorFlow拥有最大的开发者社区之一，从机器学习库到完善的机器学习生态系统已经走过了漫长的道路。

03

国庆堵车 | AI“高速”车辆检测轻而易举监测大家安全

Single-stage目标检测方法因其具有实时性强、检测精度高等特点，近年来受到广泛关注。通常，大多数现有的single-stage检测器遵循两个常见的实践：它们使用在ImageNet上预先训练的网络主干来完成分类任务，并使用自顶向下的特征金字塔表示来处理规模变化。

02

学习用 Keras 搭建 CNN RNN 等常用神经网络

Keras 是一个兼容 Theano 和 Tensorflow 的神经网络高级包, 用他来组件一个神经网络更加快速, 几条语句就搞定了. 而且广泛的兼容性能使 Keras 在 Windows 和 MacOS 或者 Linux 上运行无阻碍.

01

视频 | 手把手教你构建图片分类器，备战 kaggle 大赛！

AI 研习社按：今天为大家带来硅谷深度学习网红 Siraj 的一则教学视频：如何从零开始构建一个图像分类器来对猫和狗进行分类。（内心OS：终于要开始图像部分了！）具体视频内容如下，Github 链接详见文末“阅读原文”。为了照顾没有 WiFi 的小伙伴，我们特别提供了以下根据视频内容整理的文字版（hin 贴心有木有！）：图像分类发展历史在80年代和90年代初出现了一些不同的尝试，都用了类似的方法——根据图片的构成特征来给每张图片手动编码进行分类，但变量实在太多了——世界上没有相同的两片叶子。所以结

04

教你用Keras做图像识别！只会图像检测并不强力

AI 研习社按：今天为大家带来硅谷深度学习网红 Siraj 的一则教学视频：如何从零开始构建一个图像分类器来对猫和狗进行分类。（内心OS：终于要开始图像部分了！）具体视频内容如下，Github 链接详见文末“阅读原文”。为了照顾没有 WiFi 的小伙伴，我们特别提供了以下根据视频内容整理的文字版（hin 贴心有木有！）：图像分类发展历史在80年代和90年代初出现了一些不同的尝试，都用了类似的方法——根据图片的构成特征来给每张图片手动编码进行分类，但变量实在太多了——世界上没有相同的两片叶子。所以结

08

春假返程堵车 | AI“高速”检测轻而易举监测大家安全

欢迎关注“计算机视觉研究院” 计算机视觉研究院专栏作者：Edison_G 春节返程大军开始了！不管是离开小城镇还是进入大城市，每个高速路口都是堵车，现在人工智能愈来愈发达，不再用通过交警得知高速公路上的案发事件，现在都是摄像机覆盖，AI可以通过镜头&算法检测到行驶的车辆，如果有交通事故都是第一时间传达交警来处理。以至于有些路段都是通过无人机来进行交通事故处理！长按扫描二维码关注我们一、简要 Single-stage目标检测方法因其具有实时性强、检测精度高等特点，近年来受到广泛关注。通常，大多

02

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

在本文中，我们将学习如何使用keras，用手写数字图像数据集（即MNIST）进行深度学习。本文的目的是为了让大家亲身体验并熟悉培训课程中的神经网络部分。

03

DeepSleepNet - 基于原始单通道 EEG 的自动睡眠阶段评分模型

这篇论文是 2017 年在 IEEE 神经系统与康复工程学报上发布的一篇关于睡眠分阶的论文。这篇论文的主要贡献有：

02

五一堵车 | AI“高速”车辆检测轻而易举监测大家安全

Single-stage目标检测方法因其具有实时性强、检测精度高等特点，近年来受到广泛关注。通常，大多数现有的single-stage检测器遵循两个常见的实践：它们使用在ImageNet上预先训练的网络主干来完成分类任务，并使用自顶向下的特征金字塔表示来处理规模变化。

05

Fast R-CNN

提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN建立在以前工作的基础上，使用深度卷积网络有效地分类目标建议。与之前的工作相比，Fast R-CNN在提高训练和测试速度的同时，也提高了检测精度。Fast R-CNN训练了非常深的VGG16网络，速度比R-CNN快9倍，测试时速度213被，在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16快三倍，测试速度快10倍，精度更高。

01

学术 | 一种新的CNN网络可以更高效地区分自然图像生成图像

作者 | Weize Quan , Kai Wang, Dong-Ming Yan , Xiaopeng Zhang

01

迁移学习、自监督学习理论小样本图像分类和R语言CNN深度学习卷积神经网络实例

您想构建一个没有太多训练数据的机器学习模型吗？众所周知，机器学习需要大量数据，而收集和注释数据需要时间且成本高昂。

02

对比学习用 Keras 搭建 CNN RNN 等常用神经网络

参考：各模型完整代码周莫烦的教学网站这个网站上有很多机器学习相关的教学视频，推荐上去学习学习。 Keras 是一个兼容 Theano 和 Tensorflow 的神经网络高级包, 用他来组件一个神经网络更加快速, 几条语句就搞定了. 而且广泛的兼容性能使 Keras 在 Windows 和 MacOS 或者 Linux 上运行无阻碍. 今天来对比学习一下用 Keras 搭建下面几个常用神经网络：回归 RNN回归分类 CNN分类 RNN分类自编码分类它们的步骤差不多是一样的： [导入模块

08

【技术白皮书】第三章：文字表格信息抽取模型介绍——实体抽取方法：NER模型（上）

深度学习是一个由多个处理层组成的机器学习领域，用于学习具有多个抽象层次的数据表示。典型的层次是人工神经网络，由前向传递和后向传递组成。正向传递计算来自前一层的输入的加权和，并通过非线性函数传递结果。向后传递是通过导数链规则计算目标函数相对于多层模块堆栈权重的梯度。深度学习的关键优势在于表示学习的能力以及向量表示和神经处理赋予的语义合成能力。这允许机器输入原始数据，并自动发现分类或检测所需的潜在表示和处理。

02

如何使用TensorFlow实现卷积神经网络

编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。卷积神经网络简介卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号、

05

语义分割（Semantic Segmentation）方法「建议收藏」

语义分割是当今计算机视觉领域的关键问题之一。从宏观上看，语义分割是一项高层次的任务，为实现场景的完整理解铺平了道路。场景理解作为一个核心的计算机视觉问题，其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养。其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等，近年来随着深度学习的普及，许多语义分割问题正在采用深层次的结构来解决，最常见的是卷积神经网络，在精度上大大超过了其他方法。以及效率。

02

Faster R-CNN

Fast-RCNN基本实现端对端（除了proposal阶段外），下一步自然就是要把proposal阶段也用CNN实现（放到GPU上）。这就出现了Faster-RCNN，一个完全end-to-end的CNN对象检测模型。

02

语义分割最新算法_nonnegative integers

语义分割是当今计算机视觉领域的关键问题之一。从宏观上看，语义分割是一项高层次的任务，为实现场景的完整理解铺平了道路。场景理解作为一个核心的计算机视觉问题，其重要性在于越来越多的应用程序通过从图像中推断知识来提供营养。其中一些应用包括自动驾驶汽车、人机交互、虚拟现实等，近年来随着深度学习的普及，许多语义分割问题正在采用深层次的结构来解决，最常见的是卷积神经网络，在精度上大大超过了其他方法。以及效率。

03

SSD: Single Shot MultiBox Detector

本文提出了一个使用单一深度神经网络对图像中的目标进行检测的方法。本文的方法称为SSD，根据每个feature map位置不同的宽高比和尺度，将Bounding Box的输出离散为Bounding Box先验的集合。在预测时，网络产生置信度，认为每个先验对应感兴趣的目标，并对先验进行调整，以便更好地匹配目标的形状。此外，该网络结合了来自具有不同分辨率的多个特征图的预测，以自然地处理不同大小的目标。SSD模型相对于需要目标建议的方法(如R-CNN和MultiBox)是简单的，因为它完全抛弃了生成建议的步骤，并将所有计算封装在一个网络中。这使得SSD易于训练，并且易于集成到需要检测组件的系统中。在ILSVRC DET和PASCAL VOC数据集上的实验结果证实，SSD的性能与使用目标建议步骤的方法相当，但速度要快100-1000倍。与其他单阶段方法相比，SSD具有相似或更好的性能，为训练和推理提供了统一的框架。

01

【神经网络篇】--基于数据集cifa10的经典模型实例

最终，在cifar-10数据集上，通过一个短时间小迭代的训练，可以达到大致73%的准确率，持续增加max_steps，可以期望准确率逐渐增加如果max_steps比较大，则推荐使用学习速率衰减decay的SGD进行训练，这样训练过程中能达到的准确率峰值会比较高，大致有86% 其中L2正则以及LRN层的使用都对模型准确率有提升作用，它们都可以提升模型的泛化能力数据增强Data Augmentation在我们的训练中作用很大，它可以给单幅图增加多个副本，提高图片的利用率，防止对某一张图片结构的学习过拟合这刚好是利用了图片数据本身的性质，图片的冗余信息量比较大，因此可以制造不同的噪声并让图片依然可以被识别出来。如果神经网络可以克服这些噪声并准确识别，那么他的泛化能力必然很好。数据增强大大增加了样本量，而数据量的大小恰恰是深度学习最看重的，深度学习可以在图像识别上领先其他算法的一大因素就是它对海量数据的利用效率非常高。其他算法，可能在数据量大到一定程度时，准确率就不再上升了，而深度学习只要提供足够多的样本，准确率基本持续提升，所以说它是最适合大数据的算法

01

吴恩达深度学习笔记 course4 week2 深度卷积网络实例探究

这周会讲一些典型的cnn模型,通过学习这些,我们能够对于cnn加深自己的理解,并且在实际的应用中有可能应用到这些,或从中获取灵感

01

算法一看就懂之「队列」

算法的系列文章中，之前咱们已经聊过了「数组和链表」、「堆栈」，今天咱们再来继续看看「队列」这种数据结构。「队列」和「堆栈」比较类似，都属于线性表数据结构，并且都在操作上受到一定规则约束，都是非常常用的数据类型，咱们掌握得再熟练也不为过。

02

CVPR 2018 | 新研究提出深度残差等价映射：由正脸加强侧脸识别效果

选自arXiv 作者：Kaidi Cao等机器之心编译参与：李诗萌、白妤昕、思源由于类别样本不均衡，人脸检测只在正脸识别上有优秀的表现，它们很难识别侧脸样本。近日，香港中文大学和商汤科技等研究者提出了一种在深度表示空间中通过等变映射在正脸和侧脸间建立联系的方法，该方法的计算开销较少，但可以大大提升侧脸识别效果。引言深度学习的出现大大推动了人脸识别的发展。而人脸识别的焦点倾向于以正脸附近为中心，然而在不受限的环境中进行人脸识别，并不能保证其结果。尽管人类从正面识别侧面的表现只比从正面识别正面的表现差

07

论文阅读：《Convolutional Neural Networks for Sentence Classification》

https://blog.csdn.net/u011239443/article/details/80094426 论文地址：http://xueshu.baidu.com/s?wd=paperu

05

目标检测新突破！来了解Res2Net深度多尺度目标检测架构

标题 | Res2Net: New deep learning multi-scale architecture, for improved object detection with existing backbones

00

目标检测新突破！来了解Res2Net深度多尺度目标检测架构

正如谷歌大脑的论文EfficientNet中展示的那样，在CNN架构各个方面（宽度，深度，分辨率）的探索所带来的的回报正在急剧减少。

03

「课代表来了」跟李沐读论文之——Transformer

背景是机器翻译、encoder-decoder框架，而且一般都会在中间使用Attention机制。

04

【深度学习】深度图像检测算法总结与对比

一. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation

04

JavaScript 数据结构：栈和队列

上周小编已经介绍了什么是数据结构，没看过的同学，可以点击《JavaScript 数据结构：什么是数据结构》，今天小编会和大家一起学习栈和队列。

03

目标检测 | 经典算法 Cascade R-CNN: Delving into High Quality Object Detection

论文: Cascade R-CNN: Delving into High Quality Object Detection

00

深度学习在医疗诊断领域优势明显，数据质量将成AI未来发展瓶颈

人工智能正在改变医疗诊断行业今年年初，谷歌成功研发出一套用于乳腺癌诊断的人工智能系统。这套系统分析了大量的病理组织显微图像，速度比人类快得多，且肿瘤检出率高达92.4%。如果是人类医生完成这项工作，必须非常仔细分析大量组织样本才能确诊癌症，而且这是一个极度费时且易出错的过程。一个有经验的医生需要几年甚至十年的时间来培训。如今谷歌的成功预示着人工智能疾病诊断的到来。事实上，利用人工智能检测癌症并不是新鲜事。早在30年前，人工智能的重要分支之一，机器学习技术如人工神经网络算法和决策树算法，就被用来做癌症

08

实时识别字母：深度学习和 OpenCV 应用搭建实用教程

这是一个关于如何构建深度学习应用程序的教程，该应用程序可以实时识别由感兴趣的对象（在这个案例中为瓶盖）写出的字母。

01

基于 Keras 对深度学习模型进行微调的全面指南 Part 1

我将借鉴自己的经验，列出微调背后的基本原理，所涉及的技术，及最后也是最重要的，在本文第二部分中将分步详尽阐述如何在 Keras 中对卷积神经网络模型进行微调。

01

传输丰富的特征层次结构以实现稳健的视觉跟踪

论文地址：https://arxiv.org/pdf/1501.04587.pdf

04

深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？

AI 科技大本营按：本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题：

02

深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？

编译 | 庞佳责编 | Leo 出品 | 人工智能头条（公众号ID：AI_Thinker）【AI 科技大本营按】本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题：如何过滤或忽略我不感兴趣的类？如何在目标检测模型中添加新的类？这是否可行？ Adrian Rosebrock 认为这两个问题是学习目标检测的同学经常问到的问题，于是创作了本篇文章统一回答。以下为博文摘录，AI 科技大本营编译：具体来

03

【DL笔记7】他山之玉——窥探CNN经典模型

从【DL笔记1】到【DL笔记N】，是我学习深度学习一路上的点点滴滴的记录，是从Coursera网课、各大博客、论文的学习以及自己的实践中总结而来。从基本的概念、原理、公式，到用生动形象的例子去理解，到动手做实验去感知，到著名案例的学习，到用所学来实现自己的小而有趣的想法......我相信，一路看下来，我们可以感受到深度学习的无穷的乐趣，并有兴趣和激情继续钻研学习。正所谓 Learning by teaching，写下一篇篇笔记的同时，我也收获了更多深刻的体会，希望大家可以和我一同进步，共同享受AI无穷的乐趣。

04

【干货笔记】22张精炼图笔记，深度学习专项学习必备

来源丨https://blog.csdn.net/sophia_11/article/details/103005821

02

SiamFC：用于目标跟踪的全卷积孪生网络

图中z代表的是模板图像，算法中使用的是第一帧的ground truth；x代表的是search region，代表在后面的待跟踪帧中的候选框搜索区域；ϕ代表的是一种特征映射操作，将原始图像映射到特定的特征空间，文中采用的是CNN中的卷积层和pooling层；6×6×128代表z经过ϕ后得到的特征，是一个128通道6×6大小feature，同理，22×22×128是x经过ϕ后的特征；后面的×代表卷积操作，让22×22×128的feature被6×6×128的卷积核卷积，得到一个17×17的score map，代表着搜索区域中各个位置与模板相似度值。

03

Deep Residual Learning for Image Recognition

更深层次的神经网络更难训练。我们提出了一个残差学习框架来简化网络的训练，这些网络比以前使用的网络要深入得多。我们显式地将层重新表示为参考层输入的学习剩余函数，而不是学习未引用的函数。我们提供了全面的经验证据表明，这些剩余网络更容易优化，并可以从大幅增加的深度获得精度。在ImageNet数据集上，我们评估了高达152层的剩余网—比VGG网[41]深8×，但仍然具有较低的复杂性。这些残差网的集合在ImageNet测试集上的误差达到3.57%，该结果在ILSVRC 2015年分类任务中获得第一名。我们还对CIFAR-10进行了100层和1000层的分析。在许多视觉识别任务中，表征的深度是至关重要的。仅仅由于我们的深度表示，我们获得了28%的相对改进的COCO对象检测数据集。深度残差网是我们参加ILSVRC & COCO 2015竞赛s1的基础，并在ImageNet检测、ImageNet定位、COCO检测、COCO分割等方面获得第一名。

01

Transformers 研究指南

本文讲述Transformers的最新研究进展，由数据科学家 Derrick Mwiti写作。原文标题：Research Guide for Transformers。AI科技评论编译如下：

02

增加检测类别？这是一份目标检测的基础指南

作者： Adrian Rosebrock 机器之心编译目标检测技术作为计算机视觉的重要方向，被广泛应用于自动驾驶汽车、智能摄像头、人脸识别及大量有价值的应用上。这些系统除了可以对图像中的每个目标进行识别、分类以外，它们还可以通过在该目标周围绘制适当大小的边界框来对其进行定位。本文作者从图像识别与目标检测的区别开始，进一步简单介绍了目标检测的基本模块与实现方法。本文是目标检测的一般指南，它并没有详细介绍主流的目标检测算法，这些算法读者可参考从 RCNN 到 SSD，这应该是最全的一份目标检测算法盘点

05

目标检测综述

这张图清楚说明了image classification, object detection, semantic segmentation, instance segmentation之间的关系. 摘自COCO dataset (https://arxiv.org/pdf/1405.0312.pdf)

01

CS231n：8 迁移学习

实际上，很少的人会训练整个卷积神经网络（使用随机的初始化），因为相对来说，很少有足够大的数据集可以用于训练。作为代替，常见的方式是在一个很大的数据集中预训练一个卷积神经网络（比如ImageNet，120万张1000类别图片），然后或者将这个训练后的网络参数作为初始化参数，或者直接作为一个特质提取器用于所关注的任务。三种常见的迁移学习类型如下所示：

02

Keras区分狗和猫

Kaggle概述与数据集下载：https://www.kaggle.com/c/dogs-vs-cats/data 原外文教程：https://deeplizard.com/learn/video/bfQBPNDy5EM

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭