采用visio绘制HRnet网络结构，每个模块输出尺寸均有注释

从谷歌搬运来的，非常好用绘制神经网络结构

卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检测中的应用 卷积神经网络结构设计及其在目标检

开源mask-rcnn loss下降图，Resnet网络结构

多层神经网络结构

ResNet 论文：Deep Residual Learning for Image Recognition Motivation：网络越深，能获取的信息越多，而且特征也越丰富。但是根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了（网络退化）。为了让更深的网络也能训练出好的效果，何凯明大神提出了一个新的网络结构——ResNet。这个网络结构的想法主要源于VLAD（残差的想法来源）和Highway Network（跳跃连接的想法来源）。 ResNet Block 残差学习模块包括identity mapping和residual mapping，其中前者指的

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题，提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括：使用依赖关系分析，利用统计学的方法对采样空间进行大幅缩减，能够在精确控制准确度的情况下大幅提高时间效率；结合先验知识，从理论角度将先验知识融入评分中得到完全服从后验分布的结果；搜索最优子结构，对于特定的一些结构搜索最优子结构而不是采用贪心的方法，提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下，将指数时间复杂度降为线性时间。大量的数据实验表明，经改进后的方法在时间和准确性上都具有良好的表现。

这是卷积神经网络汇报的知识，包括网络的背景、结构、求解以及应用。是初学者很好的资料，希望对你有用。

#graph-drawing-glass 未完成的、未完善的代码玩弄使用力导向图绘制算法作为基于局部协调规则生成玻璃网络结构的手段的想法。 力导向定位是成功的，但我没有达到引入键断裂来改进初始随机拓扑的地步，因此产生的结构在物理上是不合理的。

AlexNet 特征 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。 将sigmoid激活函数改成了更加简单的ReLU激活函数。 用Dropout来控制全连接层的模型复杂度。 引入数据增强，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合 第一个卷积层 输入的图片大小为:2242243（或者是2272273） 第一个卷积层为:111196即尺寸为1111,有96个卷积核,步长为4,卷积层后跟ReLU,因此输出的尺寸为 224/4=56,去掉边缘为55,因此其输出的每个feature map 为 555596,同时后面跟LRN层,尺寸不变. 最大池化层,核大小为33