加入星計劃，您可以享受以下權(quán)益：

  • 創(chuàng)作內(nèi)容快速變現(xiàn)
  • 行業(yè)影響力擴(kuò)散
  • 作品版權(quán)保護(hù)
  • 300W+ 專業(yè)用戶
  • 1.5W+ 優(yōu)質(zhì)創(chuàng)作者
  • 5000+ 長期合作伙伴
立即加入

CNN

加入交流群
掃碼加入
獲取工程師必備禮包
參與熱點資訊討論
  • 最簡單用TensorFlow實現(xiàn)CNN（cifar10數(shù)據(jù)集）
    最簡單用TensorFlow實現(xiàn)CNN（cifar10數(shù)據(jù)集）
    CNN的本質(zhì)是先把數(shù)據(jù)進(jìn)行特征提取，再送進(jìn)DNN。前面特征提取的部分可以概括為CBAPD，C表示卷積（convolution），B表示批標(biāo)準(zhǔn)化（batch normalization），A表示激活（activation），P表示池化（pool），D表示（dropout）
    869
    12/11 11:02
  • 借助支持邊緣 AI 的 MCU 優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測
    借助支持邊緣 AI 的 MCU 優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測
    當(dāng)前關(guān)于人工智能 (AI) 和神經(jīng)網(wǎng)絡(luò)的討論主要集中在生成應(yīng)用（生成圖像、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎(chǔ)設(shè)施應(yīng)用中的電子產(chǎn)品帶來變革的實際示例。 不過，雖然在電機(jī)驅(qū)動器、太陽能（如圖 1 所示）和電池管理應(yīng)用的實時控制系統(tǒng)中采用 AI 不會像新的大型語言模型那樣引起大量關(guān)注，但使用邊緣 AI 進(jìn)行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。 圖 1 太陽能電池板陣列 本文中將討
  • 通過軟件洞察和用例分析塑造的NPU IP架構(gòu)
    通過軟件洞察和用例分析塑造的NPU IP架構(gòu)
    Ido Gus,?深度學(xué)習(xí)高級團(tuán)隊負(fù)責(zé)人,?傳感器與音頻業(yè)務(wù)部門, Ceva ? 神經(jīng)處理單元（NPU）的出現(xiàn)徹底改變了機(jī)器學(xué)習(xí)領(lǐng)域，使深度學(xué)習(xí)任務(wù)所需的復(fù)雜數(shù)學(xué)計算得以高效地執(zhí)行。通過優(yōu)化矩陣乘法和卷積運(yùn)算，NPU極大地增強(qiáng)了AI（人工智能）模型在各個領(lǐng)域的能力，從服務(wù)器群到電池驅(qū)動設(shè)備。 TinyML（微型機(jī)器學(xué)習(xí)）的出現(xiàn)進(jìn)一步推動了AI的發(fā)展，其重點是在資源有限的嵌入式設(shè)備上實現(xiàn)機(jī)
  • 國方創(chuàng)新與燧原科技聯(lián)合發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟
    國方創(chuàng)新與燧原科技聯(lián)合發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟
    近日，國方創(chuàng)新和燧原科技共同發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟。在“智算產(chǎn)業(yè)的商業(yè)化落地之路”圓桌環(huán)節(jié)中，與會的嘉賓們進(jìn)行了全方位的深入討論。 嘉賓們從多個維度探討了人工AIGC（人工智能生成內(nèi)容）和智算中心的商業(yè)化發(fā)展方向，認(rèn)為AIGC技術(shù)在內(nèi)容創(chuàng)造和企業(yè)個性化服務(wù)等方面具有巨大的商業(yè)潛力，并指出了算力優(yōu)化適配和提升國產(chǎn)算力競爭力等挑戰(zhàn)。 在談?wù)揂IGC商業(yè)化落地時，澎峰科技COO王軍輝表示：
  • 一文總結(jié)CNN中【各類卷積】操作
    一文總結(jié)CNN中【各類卷積】操作
    本文詳細(xì)總結(jié)CNN中各類卷積，旨在指導(dǎo) domain-specific 更好的模型設(shè)計，包括標(biāo)準(zhǔn)卷積，分組卷積（Group Conv），深度可分離卷積（Depthwise Separable Conv），轉(zhuǎn)置卷積（Transposed Conv），空洞卷積（Dilated Conv），可變形卷積（Deformable Conv），和 特征重標(biāo)定技術(shù)（Squeeze-and-Excitation）。
  • 一文總結(jié)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)CNN模型
    一文總結(jié)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)CNN模型
    CNN（卷積神經(jīng)網(wǎng)絡(luò)）更適合計算機(jī)視覺領(lǐng)域。下面總結(jié)從1998年至今的優(yōu)秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。在了解巨佬們的智慧結(jié)晶，學(xué)習(xí)算法上的思路和技巧，便于我們自己構(gòu)建模型，也便于我們做遷移學(xué)習(xí)。
  • 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點
    卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種深度學(xué)習(xí)算法，在計算機(jī)視覺和模式識別領(lǐng)域取得了巨大的成功。它通過多層卷積和池化操作來提取圖像特征，并通過全連接層進(jìn)行分類或回歸。本文將探討卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點和缺點，以及它在不同領(lǐng)域的應(yīng)用。

正在努力加載...