BP神经网络算法的基本原理及C++实现
通过三天的折腾，总算把神经网络的C代码写出来了（用C写纯属因为我对它更熟悉一些，虽然现在基本人工智能算法都是Python写的，但C++快呀😆）（主要还是对Python不熟练，以后有时间应该用Python重写一遍），代码270行左右（对自己也是一次对代码熟练度的训练），使用BP(Back Propagation)神经网络，学习算法为随机梯度下降法 支持多线程学习（保证跑满CPU，GPU算法还
wty's blog
强化学习 - Deep Q-Learning Network算法 解决平衡小推车问题（Cartpole）
强化学习 强化学习（Reinforcement Learning, RL）是一种通过不断试错，并从中不断改进从而提升效果的学习算法. 一般来说，游戏或电脑中模拟的现实情况称为环境（Environment)，智能体（Agent）在环境中可以做出行动（Action）从而最大化累积奖励（Reward），在每次行动后，智能体可以通过观察（Observe）环境得到状态（State）的变化并获得当前行动的奖
基于卷积神经网络CNN和去偏变分自动编码机DB-VAE的简单人脸识别模型
卷积神经网络 简介 卷积神经网络（Convolution Neural Networks, CNN, ConvNet），结构特性：局部连接，权重共享，汇聚信息. 主要适用于图像处理的一种神经网络，其想法来源来自于生物模型中的感受野（Receptive Field），即视觉神经元只会接收到其所支配的刺激区域的信号，即获得某个区域内的加权平均结果，这种操作在数学中就是卷积. 卷积 这里的卷积指的
基于循环神经网络RNN的简单音乐生成
循环神经网络 简介 循环神经网络（Recurrent Neural Networks, RNN）是对前馈型全连接神经网络的改进. 全连接神经网络的输入维度在确定网络结构的时候已经固定，而且当特征之间具有的潜在关联性也无法解决. 循环神经网络支持输入任意长度的特征，并且可以通过处理特征之间具有的关联性，这也称为神经网络的记忆力. 一般的RNN具有短期记忆力，使用门控机制（Gating Mecha
Jax+Flax+Optax 常用API
Jax, Flax, Optax 中的常用API 下述代码测试环境CPU: R7-4800U，无GPU Jax jax.jit jax.jit(func, static_argnums=None, static_argnames=None) -> jit_func 用于对入参数类型为矩阵的纯函数 func 进行编译返回包装后的函数 jit_func，其中 static_argnum
Jax+Flax+Optax 学习笔记
As accelerated Numpy 首先Jax有类似 numpy 的函数库，API使用基本一致： import jax.numpy as jnp x = jnp.aranga(int(1e8)) %timeit jnp.dot(x, x) # 比 np.dot() 要快, gpu上更快 First Transformation grad 和数学中求导一致，Jax可以自动对Python中
CTC Loss及OCR经典算法CRNN实现
这里我们将基于深度神经网络CNN+CTC loss进行OCR（图像文本识别），可以使用经典CRNN网络，但是我这里使用的是全卷积网络，因为文本长度并不长，所以并不想考虑文本的序列信息，没有使用LSTM部分。 参考文献： (CTC loss)Connectionist Temporal Classification: Labelling Unsegmented Sequence Data wi
YOLOv1笔记
背景介绍 YOLOv1是Joseph Redmon于2015年提出的目标检测检测算法，YOLO系列（2023/09/20已经出到第8个版本）的特点在于其极高的识别速度，经典目标识别网络还有R-CNN和SSD，这些算法具有较高的准确率但是速度比YOLO慢至少一倍。 值得注意的是，作者Joseph Redmon在发布YOLOv3之后就退出CV界了，原因在于YOLO算法被用于商业中隐私窃取和军事武器当