CNN

CNN的“性能优化器”

CNN的本质的与核心价值

CNN的实操优化：提升模型性能的核心技巧

CNN的迭代脉络：从基础模型到深度、轻量化模型

CNN的“高层特征整合与输出核心”

CNN的“特征降维与增强核心”

CNN的“特征提取核心”

通用CNN加速器的指令驱动架构与模块化实现

随着深度学习技术的飞速发展，卷积神经网络（CNN）在图像分类、目标检测等领域取得了显著成果。然而，CNN的高计算复杂度对硬件平台提出了严峻挑战。针对这一问题，本文提出了一种基于指令驱动的通用CNN加速器架构，通过模块化设计实现了高效能、可扩展的硬件解决方案。

通俗易懂讲解什么是卷积

在深度学习和计算机视觉领域，我们常常会听到一个词汇：卷积。那么，卷积到底是什么?如何通俗易懂地解释它?本文将为大家详细解析卷积的概念、原理和应用。

将CNN硬件加速器集成进通用MCU，ADI的MAX78000和MAX78002实现高能效边缘AI应用

边缘AI落地，需要满足端侧的功耗要求。因此内置硬件CNN进行专门的AI运算，成为了AI MCU的最佳选择。

人脸表情识别算法综述

摘 要：人脸表情识别因其广泛的应用领域与良好的发展前景，成为计算机视觉领域的一个研究热点。文中综合论述了表情识别的研究状况与各类算法，并对其中的特征提取算法与表情分类算法进行了简单描述。常规的特征提取算法有基于几何特征的提取方法、基于整体统计特征的提取方法、基于频率特征率的提取方法和基于运动特征的提取方法。常规的表情分类算法则从基于传统机器学习与深度学习两个角度进行介绍。

CNN结构演化进程

演化脉络 下图所示CNN结构演化的历史，起点是神经认知机模型，已经出现了卷积结构，但是第一个CNN模型诞生于1989年，1998年诞生了LeNet。随着ReLU和dropout的提出，以

卷积神经网络(CNN)的简单介绍及代码实现

卷积神经网络(CNN)的基础介绍见 ，这里主要以代码实现为主。 CNN是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。 以MNIST作为数据库，仿照

CNN模型思路、加速算法设计及其实验样例

自从AlexNet一举夺得ILSVRC 2012 ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-cra

NLP中CNN模型常见的Pooling操作方法及其典型网络结构

CNN是目前自然语言处理中和RNN并驾齐驱的两种最常见的深度学习模型。图1展示了在NLP任务中使用CNN模型的典型网络结构。一般而言，输入的字或者词用Word Embedding的方式表达，这样

神奇GIF动画让你秒懂各种深度学习卷积神经网络操作原理

严格来说不是在讲Python而是讲在Python下使用OpenCV。本篇将介绍和深度学习数据处理阶段最相关的基础使用，并完成4个有趣实用的小例子： - 延时摄影小程序 - 视频中截屏

用卷积神经网络检测脸部关键点之训练专项网络教程

训练专项网络 还记得我们在开始时丢弃的70％的培训数据吗？结果表明，如果我们想在Kaggle排行榜上获得一个有竞争力的得分，这是一个很糟糕的主意。在70％的数据和挑战的测试集中，我们的模

卷积神经网络检测脸部关键点的教程之卷积神经网络训练与数据扩充

上一次我们用了单隐层的神经网络，效果还可以改善，这一次就使用CNN。 卷积神经网络 上图演示了卷积操作 LeNet-5式的卷积神经网络，是计算机视觉领域近期取得

卷积神经网络检测脸部关键点的教程之两个重要参数：学习率，学习动量

Pybrain号称最好用的Python神经网络库。其实Scikit-Learn号称Python上最好用的机器学习库，但是它偏偏就没有神经网络这块，所以就与我无缘了。 之前也看过一些提到N

基于nolear建立的ConvNet体系结构并用它去训练一个特征提取器

摘要：本文展示了如何基于nolearn使用一些卷积层和池化层来建立一个简单的ConvNet体系结构，以及如何使用ConvNet去训练一个特征提取器，然后在使用如SVM、LogisTIc回归等不同