ps魔棒工具在哪星河的棋牌代码M代码的使用方法？

来源：蜘蛛抓取(WebSpider) 时间：2017-07-16 04:34 标签： ps魔棒工具在哪
加工中心常用的G代码和M代码_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
加工中心常用的G代码和M代码
上传于|0|0|文档简介
&&加工中心操作员不得不知道的G代码和M代码
阅读已结束，如果下载本文需要使用2下载券
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢5166人阅读
深度学习与卷积神经网络（26）
%%=========================================================================
%函数名称：cnnff（）
%输入参数：net，神经网络；x，训练数据矩阵；
%输出参数：net，训练完成的卷积神经网络
%主要功能：使用当前的神经网络对输入的向量进行预测
%算法流程：1）将样本打乱，随机选择进行训练；
2）讲样本输入网络，层层映射得到预测值
%注意事项：1）使用BP算法计算梯度
%%=========================================================================
function net = cnnff(net, x)
= numel(net.layers);
net.layers{1}.a{1} =
%网络的第一层就是输入，但这里的输入包含了多个训练图像
%输入层只有一个特征map，也就是原始的输入图像
for l = 2 : n
%对于每层(第一层是输入层，循环时先忽略掉)
if strcmp(net.layers{l}.type, 'c')
%如果当前是卷积层
for j = 1 : net.layers{l}.outputmaps %对每一个输入map，需要用outputmaps个不同的卷积核去卷积图像
%%=========================================================================
%主要功能：创建outmap的中间变量，即特征矩阵
%实现步骤：用这个公式生成一个零矩阵，作为特征map
%注意事项：1）对于上一层的每一张特征map，卷积后的特征map的大小是：（输入map宽 - 卷积核的宽 + 1）* （输入map高 - 卷积核高 + 1）
2）由于每层都包含多张特征map，则对应的索引则保存在每层map的第三维，及变量Z中
%%=========================================================================
z = zeros(size(net.layers{l - 1}.a{1}) - [net.layers{l}.kernelsize - 1 net.layers{l}.kernelsize - 1 0]);
for i = 1 : inputmaps
%对于输入的每个特征map
%%=========================================================================
%主要功能：将上一层的每一个特征map（也就是这层的输入map）与该层的卷积核进行卷积
%实现步骤：1）进行卷积
2）加上对应位置的基b，然后再用sigmoid函数算出特征map中每个位置的激活值，作为该层输出特征map
%注意事项：1）当前层的一张特征map，是用一种卷积核去卷积上一层中所有的特征map，然后所有特征map对应位置的卷积值的和
2）有些论文或者实际应用中，并不是与全部的特征map链接的，有可能只与其中的某几个连接
%%=========================================================================
z = z + convn(net.layers{l - 1}.a{i}, net.layers{l}.k{i}{j}, 'valid');
net.layers{l}.a{j} = sigm(z + net.layers{l}.b{j});
%加基（加上加性偏置b）
inputmaps = net.layers{l}.
%更新当前层的map数量；
elseif strcmp(net.layers{l}.type, 's')
%如果当前层是下采样层
for j = 1 : inputmaps
%%=========================================================================
%主要功能：对特征map进行下采样
%实现步骤：1）进行卷积
2）最终pooling的结果需要从上面得到的卷积结果中以scale=2为步长，跳着把mean pooling的值读出来
%注意事项：1）例如我们要在scale=2的域上面执行mean pooling，那么可以卷积大小为2*2，每个元素都是1/4的卷积核
2）因为convn函数的默认卷积步长为1，而pooling操作的域是没有重叠的，所以对于上面的卷积结果
3）是利用卷积的方法实现下采样
%%=========================================================================
z = convn(net.layers{l - 1}.a{j}, ones(net.layers{l}.scale) / (net.layers{l}.scale ^ 2), 'valid');
net.layers{l}.a{j} = z(1 : net.layers{l}.scale : end, 1 : net.layers{l}.scale : end, :);
%跳读mean pooling的值
%%=========================================================================
%主要功能：输出层，将最后一层得到的特征变成一条向量，作为最终提取得到的特征向量
%实现步骤：1）获取倒数第二层中每个特征map的尺寸
2）用reshape函数将map转换为向量的形式
3）使用sigmoid(W*X + b)函数计算样本输出值，放到net成员o中
%注意事项：1）在使用sigmoid（）函数是，是同时计算了batchsize个样本的输出值
%%=========================================================================
net.fv = [];
%net.fv为神经网络倒数第二层的输出map
for j = 1 : numel(net.layers{n}.a) %最后一层的特征map的个数
sa = size(net.layers{n}.a{j}); %第j个特征map的大小
net.fv = [net. reshape(net.layers{n}.a{j}, sa(1) * sa(2), sa(3))];
net.o = sigm(net.ffW * net.fv + repmat(net.ffb, 1, size(net.fv, 2))); %通过全连接层的映射得到网络的最终预测结果输出
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：868586次
积分：9259
积分：9259
排名：第1889名
原创：132篇
评论：443条
文章：12篇
阅读：67668
文章：20篇
阅读：99342
文章：11篇
阅读：23078
文章：12篇
阅读：37004
文章：44篇
阅读：435344
阅读：17469
阅读：14862
文章：18篇
阅读：133207Fanuc的G代码及M代码_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
Fanuc的G代码及M代码
上传于|0|0|文档简介
&&Fanuc的G代码及M代码
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢数控编程中常用的指令(G代码、M代码)_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
数控编程中常用的指令(G代码、M代码)
上传于|0|0|文档简介
&&数控编程中常用的指令(G代码、M代码)
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢

我要回帖

更多关于 ps魔棒工具在哪 的文章

 

随机推荐