Метод сопряженных градиентов — метод нахождения локального минимума функции на основе информации о её значениях и её градиенте. В случае квадратичной функции в минимум находится за шагов. Определим терминологию: Векторы называются сопряжёнными, если: Теорема (о существовании). Существует хотя бы одна система сопряжённых направлений для...
模型的第一层(S1)由四种不同倾斜度(垂直、水平、45度倾斜和135度倾斜--以红色、黄色、绿色和蓝色显示)的短而直的部分的过滤器组成,每层大小为16,因此,输入图像的每个部分都被4 x 16的过滤器 "覆盖"。每个过滤器都是一个神经元,其输出等于图像中某个区域的图像像素之和乘以该神经元的输入权重。这些输入权重是由Gabor函数描述的。下面是这些过滤器(权重)的一个例子。
理想情况下,它应该与元老级的标志产生共鸣(是友好的)。
元感知;)(感知者的感知)
甚至还有一个标志的想法 :)-- 嗅着花的机器人的名字是对Perceptive这个词的模糊性的发挥。机器人越不常见越好 :)
________
简单而有品味的神经。或TheNeural :)
________
神经网路eXtension(NNX)。
________
Neural Nets Xpert (NNXpert) :))))
________
神经网络工具包(NNToolkit)
________
神经网络工具 (NNTools)
我完全支持神经网路的扩展(NNX)。
特别是神经网络扩展 (NNX)的这一部分,因为 ,我们会把它搞砸的。
转化为 NeuralUniversal eXtension(NUX )不是更好吗,几乎是 LINUX
如果问题是针对我的,在文献中,我所描述的网络被称为分层神经网络。
EMNIP,cognitron代表了类似的东西。
等候续集的到来 :)
是的,我们应该进行投票,或者事后向梅塔克沃特姆抛出选项。
为什么这么着急,原则上我们也应该在产品的名称中考虑与其他神经包交换的可能性,并生成一个最终的现成的顾问。
该产品超过了NN。在这个过程中,它可能会发展成其他有用的东西。
该产品比NN大。
明白了。但具体与NN捆绑在一起。将会更准确地绑在一起。
我担心我们会得到类似 "AWVREMGVTWNN "的东西 :)最主要的是传达本质,细微差别并不那么重要。
有关信息
-共轭梯度下降法
-BFGS
共轭梯度法(wiki)
-BFGS(维基)。
第3讲。HMAX模型
为了了解视觉信息的生物转化的细节,我们将看看流行的物体识别模型HMAX("层次模型和X")。这个模型是由托马索-波吉奥领导的麻省理工学院研究人员在20世纪90年代末创建的。该模型的描述和代码可以在这里找到
http://riesenhuberlab.neuro.georgetown.edu/hmax.html
经过一些轻微的修改,HMAX在人脸识别方面比经典的神经网络做得更好。这张图片很好地描述了这个模型。
模型的第一层(S1)由四种不同倾斜度(垂直、水平、45度倾斜和135度倾斜--以红色、黄色、绿色和蓝色显示)的短而直的部分的过滤器组成,每层大小为16,因此,输入图像的每个部分都被4 x 16的过滤器 "覆盖"。每个过滤器都是一个神经元,其输出等于图像中某个区域的图像像素之和乘以该神经元的输入权重。这些输入权重是由Gabor函数描述的。下面是这些过滤器(权重)的一个例子。
模型的第二层(C1)由复杂的神经元组成。每个复合神经元选择S1神经元的最大激活(输出),这些神经元在图像的不同部分和相邻的两个维度过滤相同斜率的部分。因此,这个复杂的神经元对基本段的位置和大小具有不变性,这一点将在下面解释。
模型第三层(S2)的神经元从C1神经元获得输入。因此,我们得到了更复杂形状的过滤器(表示为P1、P2......),它们是由基本段组成的。对于每个图,我们有4套不同尺寸的过滤器。每组过滤器的空间位置不同("看 "到图像的不同部分)。
模型第四层的神经元(C2)选择最大的激活S2神经元,这些神经元正在过滤同一个图形,但尺寸和空间排列不同。其结果是更复杂的形状的过滤器,对其位置和大小是不变的。
参考文献。
T.Serre, "Robust object recognition with cortex-like mechanisms," IEEE Trans.关于模式,2006年8月。
http://cbcl.mit.edu/publications/ps/MIT-CSAIL-TR-2006-028.pdf