基于yolov2深度学习网络的车辆行人检测算法matlab仿真

算法运行效果图预览   2.算法运行软件版本 MATLAB2022a   3.算法理论概述        近年来，深度学习在计算机视觉领域取得了显著成果，特别是在目标检测任务中。YOLO（You

深度学习之代价函数

        深度神经网络设计中的一个重要方面是代价函数的选择。幸运的是，神经网络的代价函数或多或少是和其他的参数模型例如线性模型的代价函数相同的。       在大多数情况下，我们的参数模型定义了一个分布 p(y | x; θ) 并且我们简单地使用最大似然原理。这意味着我们使

深度学习时序图网络

络和推荐系统等广泛问题。尽管在图上进行深度学习的不同模型太多了，但迄今为止，很少有人提出方法来处理呈现某种动态性质的图(例如，随着时间的推移而进化的特征或连通性)。在本文中，我们提出了时序图网络(TGNs)，一个通用的，有效的框架，用于深度学习动态图表示为时间事件序列。由于内存模

基于yolov2深度学习网络的打电话行为检测系统matlab仿真

sp; 近年来，深度学习技术在目标检测领域取得了显著进展。其中，YOLO系列算法是一种基于深度学习的实时目标检测算法，具有速度快、精度高等优点。YOLOv2是YOLO系列的第二代算法，相比于第一代算法，在速度和精度上都有所提升。此外，卷积神经网络（CNN）是深度学习中常用的模型之

分享深度学习在经济学中的应用

强化学习在高维经济学问题中的应用前面介绍的是深度学习在经济学领域的应用。对比传统的深度学习，深度强化学习能够有效处理高维问题。所以，在一些包含高维动态数据的经济学问题上，深度强化学习表现更加优秀。1、深度强化学习下的股票交易由于缺乏处理高维问题的能力，传统强化学习方法不足以找到最

分享深度学习未来发展的学习范式-——简化学习

    在深度学习领域， 特别是在NLP（深度学习领域研究最热潮激动人心的领域）中，模型的规模正在不断增长。最新的GPT-3模型有1750亿个参数。把它和BERT比较就像把木星比作蚊子一样（好吧，不是字面意思）。深度学习的未来会更大吗？    按理来说，不会，GPT-3是非常有说

《深度学习导论与应用实践》值得介绍~

3网络训练6.5.4网络预测6.6习题第7章深度学习进阶7.1深度生成模型7.1.1变分自编码器7.1.2生成对抗网络7.2深度强化学习7.2.1强化学习模型7.2.2强化学习分类7.2.3深度强化学习7.2.4深度Q网络7.2.5深度强化学习应用7.3迁移学习7.3.1迁移学习的定义与分类7

《深度学习入门》笔记 - 01

之前学了一个深度学习应用开发，学了一段时间，后来就没学了。 确实是"靡不有初，鲜克有终"，现在不愿意再继续之前的学。我又找了一本书从头开始，这本书的名字是深度学习入门与TensorFlow实践>。 `数（scalar）`是一个数字。 简直是废话。 不过这才刚开始嘛。 多个数字有序

深度学习之动量举例

为什么要特别使用 −v(t) 和粘性阻力呢？部分原因是因为 −v(t) 在数学上的便利——速度的整数幂很容易处理。然而，其他物理系统具有基于速度的其他整数幂的其他类型的阻力。例如，颗粒通过空气时会受到正比于速度平方的湍流阻力，而颗粒沿着地面移动时会受到恒定大小的摩擦力。这些选择都

《深度学习入门》笔记 - 13

这里有一个数据集，它的内容包含：信用卡余额、每月收入、是否违约。 ```python %config InlineBackend.figure_format='retina' import pandas as pd import matplotlib.pyplot as plt import

深度学习之任务T

机器学习可以让我们解决一些人为设计和实现固定程序很难解决的问题。从科学和哲学的角度来看，机器学习受到关注是因为提高我们对机器学习的认识需要提高我们对智能背后原理的理解。如果考虑“任务”比较正式的定义，那么学习的过程并不是任务。在相对正式的 “任务”定义中，学习过程本身并不是任务。

深度学习之交叉验证

        将数据集分成固定的训练集和固定的测试集后，若测试集的误差很小，这将是有问题的。一个小规模的测试集意味着平均测试误差估计的统计不确定性，使得很难判断算法 A 是否比算法 B 在给定的任务上做得更好。        当数据集有十万计或者更多的样本时，这不会是一个严重的

深度学习之小更新

梯度下降和基本上所有的可以有效训练神经网络的学习算法，都是基于局部较也许能计算目标函数的一些性质，如近似的有偏梯度或正确方向估计的方差。在这些情况下，难以确定局部下降能否定义通向有效解的足够短的路径，但我们并不能真的遵循局部下降的路径。目标函数可能有诸如病态条件或不连续梯度的问题

深度学习GoogLeNet结构

深度学习之逻辑回归

        通过定义一族不同的概率分布，我们可以将线性回归扩展到分类情况中。如果我们有两个类，类 0 和类 1，那么我们只需要指定这两类之一的概率。类 1 的概率决定了类 0 的概率，因为这两个值加起来必须等于 1。        我们用于线性回归的实数正态分布是用均值参数化

深度学习之设计矩阵

表示数据集的常用方法是设计矩阵 (design matrix)。设计矩阵的每一行包含一个不同的样本。每一列对应不同的特征。例如，Iris数据集包含 150 个样本，每个样本有 4 个特征。这意味着我们将该数据集表示成设计矩阵 X ∈ R150×4，其中 Xi,1 表示第 i 个植物的萼片长度，Xi

《深度学习入门》笔记 - 02

最常用的矩阵运算是矩阵的转置。转置就像是翻转。就像是一个扑克牌，原来是竖着拿的，把它变成翻面横着拿了。 ![image.png](https://bbs-img.huaweicloud.com/data/forums/attachment/forum/20227/27/1658883526687508822

深度学习之Dropout启发

Dropout启发其他以随机方法训练指数量级的共享权重的集成。DropConnect是Dropout的一个特殊情况，其中一个标量权重和单个隐藏单元状态之间的每个乘积被认为是可以丢弃的一个单元 (Wan et al., 2013)。随机池化是构造卷积神经网络集成的一种随机池化的形式

深度学习之隐藏单元

隐藏单元的设计是一个非常活跃的研究领域，并且还没有许多明确的指导性理论原则。整流线性单元是隐藏单元极好的默认选择。许多其他类型的隐藏单元也是可用的。决定何时使用哪种类型的隐藏单元是困难的事（尽管整流线性单元通常是一个可接受的选择）。我们这里描述对于每种隐藏单元的一些基本直觉。这些

深度学习之计算图

为了更精确地描述反向传播算法，使用更精确的计算图（computational graph）语言是很有帮助的。将计算形式化为图形的方法有很多。这里，我们使用图中的每一个节点来表示一个变量。变量可以是标量、向量、矩阵、张量、或者甚至是另一类型的变量。为了形式化我们的图形，我们还需引入