基于索尼基于索尼Spresense的眼睛跟随平台中两个模型的对比

1.模型一(现在使用的)

请添加图片描述
这个模型是一个简单的神经网络,由三个主要组件组成:输入层、一个全连接层(Affine层)、一个Sigmoid激活函数层和一个Binary Cross Entropy损失层。
以下是每个组件的说明:

  1. Input 层:这是模型的输入层,表示输入数据的形状为1, 28, 28。这通常是表示灰度图像的维度,即单通道图像,宽度为28像素,高度也为28像素。
  2. Affine 层:这是一个全连接层,也被称为线性变换层。在这个层中,每个输入节点都与输出节点有一个权重(w)和偏差(b)。权重和偏差是在训练过程中通过反向传播算法更新的参数。全连接层将所有的输入节点连接到输出节点,形成一个线性的关系。在这个例子中,输入和输出的维度都是1,所以这是一个单输出的线性层。
  3. Sigmoid激活函数层:Sigmoid函数是一个常见的激活函数,它将任何实数值压缩到0到1之间。这个函数常用于二分类问题,因为它可以将输出映射到概率区间。在 Affine 层之后使用 Sigmoid 函数可以帮助我们得到一个接近于0或1的概率值,这对于二分类任务非常有用。
  4. Binary Cross Entropy Loss 层:这是损失函数层,用于衡量模型预测的结果与真实标签之间的差距。
    它测量的是模型预测的概率分布与真实类别分布之间的距离。在训练过程中,我们会最小化这个损失函数来优化模型的权重和偏差。这个模型适用于二分类问题,例如识别手写数字等任务。输入图像经过全连接层和Sigmoid激活函数后,得到一个0到1之间的概率值,表示属于某一类别的可能性。然后,Binary Cross Entropy Loss 层用来比较模型预测的概率与实际标签,以便在训练过程中调整模型参数以提高准确性。

模型二我们改进后(将在下个版本使用的)

请添加图片描述
它由几个不同的层组成,包括输入层、图像增强层、卷积层、最大池化层、双曲正切激活函数层、全连接层和sigmoid激活函数层,以及二元交叉熵损失层。
以下是对各个层及其功能的详细解释:

  1. 输入层(Dataset: x):这是模型的起始点,表示输入数据的形状为1, 28, 28,通常对应着灰度图像的尺寸。
  2. 图像增强层:这一层负责对输入图像进行增强,例如随机平移,以增加数据的多样性和泛化能力。
  3. 卷积层(核形状:7, 7):卷积层用于提取图像特征,它使用7x7的卷积核对输入图像进行滑动窗口操作,生成新的特征图。
  4. 最大池化层(形状:4, 4):最大池化层用于减小特征图的尺寸,提高计算效率,同时保留最重要的特征。
  5. 双曲正切激活函数层(Tanh):这是一种非线性激活函数,用于给模型引入非线性特性。
  6. 全连接层:全连接层将所有输入节点连接到输出节点,权重和偏差会在训练过程中被优化。
  7. Sigmoid激活函数层:Sigmoid函数将输出映射到0到1之间,适合二分类问题。
  8. 二元交叉熵损失层:这是用于训练过程中的损失函数,用于衡量模型预测结果与真实标签之间的差距。

两个模型对比

模型2与模型1相比,模型2增加了图像增强层和卷积层,以及最大池化层和双曲正切激活函数层。
这些额外的层提供了以下优势:
•图像增强层:通过对输入图像进行随机平移,增强了数据集的多样性,提高了模型的泛化能力,使其更能应对各种情况下的输入。
•卷积层:利用卷积核提取图像特征,减少了人工特征工程的需求,自动学习特征,提高了模型的准确性和效率。
•最大池化层:通过下采样降低了特征图的尺寸,减少了计算量,同时也保留了重要特征。
•双曲正切激活函数层:引入了非线性,使得模型能够学习更复杂的模式。总体来说,模型2比之前的模型1更加复杂且专门针对图像处理任务进行了优化。它能够更好地处理图像数据,特别是对于图像分类任务.

当我们将数据输入输入层时两个模型的工作步骤

模型一

  1. 输入层: 图片的原始像素值会作为输入传递给模型。由于模型的输入层接受1x28x28的图像,图片会被直接送入下一个处理层。
  2. 全连接层(Affine Layer): 输入的图像数据将被展平成一个向量,然后传递给全连接层。在这个层中,每个输入像素值都会乘以对应的权重,并加上一个偏差值,产生一个线性组合。这个线性组合的结果将被传递到下一层。
  3. Sigmoid激活函数层: 在全连接层之后,数据会通过Sigmoid激活函数。Sigmoid函数会将每个线性组合的输出值转换到0和1之间,引入非线性变换,使得模型能够拟合更复杂的决策边界。
  4. 二元交叉熵损失层: 在模型的最后一层,输出值会被视为该图像属于特定类别的概率。如果模型正在训练中,二元交叉熵损失函数会根据预测概率与实际标签的对比来计算损失,指导模型权重和偏差的调整,以最小化预测错误。

模型二

1.输入层: 图片首先会被加载到模型的输入层。因为模型期望的输入形状是1x28x28,这意味着图片会被展平成一个一维数组,长度为28x28 = 784。但是,在这个特定的架构中,由于输入层直接连接到了卷积层,所以图像可能会保持其原始的2D形状(28x28),并且深度为1(因为它是灰度图,只有一个通道)。
2. 图像增强层: 在这个阶段,输入的图像可能会被随机平移,这有助于模型学习到更加鲁棒的特征,即使在轻微的位置变化下也能正确分类。
3. 卷积层: 卷积核(7x7大小)会在图像上滑动,执行点积操作以产生特征图。每个卷积核都会检测图像的不同特征,如边缘、纹理或特定的图案。由于输入图像的大小为28x28,卷积后产生的特征图的大小将取决于卷积核的步长和填充方式。
4. 最大池化层: 最大池化操作会从特征图的每个4x4区域内抽取最大值,从而降低空间维度,减少计算量,并帮助模型对位置变化具有一定的不变性。
5. 双曲正切激活函数层: 激活函数如双曲正切(tanh)会对前一层的输出应用非线性变换,允许模型学习和表示复杂的非线性关系。
6. 全连接层: 在这一步,所有特征图会被展平成一个一维向量,然后输入到一个或多个全连接层中。全连接层中的每一个神经元都与前一层的所有输出相连,这样模型就能整合所有特征图的信息,形成更高层次的抽象表示。
7. Sigmoid激活函数层: 最后一层使用sigmoid函数,将输出压缩到0和1之间,这适用于二分类问题。输出值可以被解释为输入图像属于某个类别的概率。
8. 二元交叉熵损失层: 如果是在训练阶段,损失函数(这里是二元交叉熵)会评估模型的预测与实际标签之间的差异,以便更新权重和偏置,优化模型性能。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/39456.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

ubuntu 更换软件源

ubuntu 更换软件源 在Ubuntu 20.04 LTS中更换软件源可以通过图形界面或命令行进行。更换软件源通常是为了加快软件包的下载速度或解决软件源不可用的问题。这里我将分别说明如何通过图形界面和命令行更换软件源。 通过图形界面更换软件源: 打开“软件和更新”设置…

【LeetCode】验证回文串

目录 一、题目二、解法完整代码 一、题目 如果在将所有大写字符转换为小写字符、并移除所有非字母数字字符之后,短语正着读和反着读都一样。则可以认为该短语是一个 回文串 。 字母和数字都属于字母数字字符。 给你一个字符串 s,如果它是 回文串 &…

问题集锦1

01.inner中使用JwtTokenUtil.getUserCode() 前端调用上传(java),上传使用加购 Overridepublic Boolean insertShoppingCart(InsertShoppingCartParamsDto dto) {// 通过userCode,itemCode和supplierCode来判断当前加购人添加到购物车的商品是…

51单片机第23步_定时器1工作在模式0(13位定时器)

重点学习51单片机定时器1工作在模式0的应用。 在51单片机中,定时器1工作在模式0,它和定时器0一样,TL1占低5位,TH1占高8位,合计13位,也是向上计数。 1、定时器1工作在模式0 1)、定时器1工作在模式0的框图…

查看Oracle是哪个Oracle_home 下启动的

[rootrac1 ~]# ps -ef|grep smon root 413 24903 0 22:30 pts/0 00:00:00 grep --colorauto smon root 27165 1 0 22:11 ? 00:00:09 /u01/app/19.0.0/grid/bin/osysmond.bin grid 27784 1 0 22:12 ? 00:00:00 asm_smon_ASM1 oracl…

基础不牢地动山摇:JS逆向攻防对抗核心的博弈点在于对JS最基础部分的深刻理解和灵活应用——干货语法大全

基础不牢地动山摇:JS逆向攻防对抗核心的博弈点在于对JS最基础部分的深刻理解和灵活应用——语法大全 JS逆向攻防对抗核心的博弈点在于对JS最基础部分的深刻理解和灵活应用,偏门基础用法语法知道的越多,理解的越深刻,运用的越灵活…

前端知识点

HTML、CSS 相关 1、 BFC 1、BFC 是什么? BFC(Block Formatting Context) 格式化上下文; 指一个独立的渲染区域,或者说是一个隔离的独立容器;可以理解为一个独立的封闭空间。无论如何不会影响到它的外面 …

贪心+后缀和,CF 1903C - Theofanis‘ Nightmare

一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 1903C - Theofanis Nightmare 二、解题报告 1、思路分析 我们任意一种分组其实都是若干个后缀和相加 比如我们分成了三组,第一组的数被加了一次,第二组的数被加了两次,第…

JDK动态代理-AOP编程

AOPTest.java,相当于main函数,经过代理工厂出来的Hello类对象就不一样了,这是Proxy.newProxyInstance返回的对象,会hello.addUser会替换为invoke函数,比如这里的hello.addUser("sun", "13434");会…

ceres和eigen的cmake配置

这里的eigen是用下面安装的, sudo apt-get install libeigen3-devceres是编译后,安装到系统目录下的 sudo make install这样cmake会自动到系统下去寻找eigen, ceres相关的cmake文件, 包含ceres和eigen引用的源文件,需要在CMake…

Web3 ETF 的软件开发框架

Web3 ETF 的软件开发框架主要包含以下几个方面,需要说明的是,Web3 ETF 仍处于早期发展阶段,相关技术和标准尚未成熟。在开发 Web3 ETF 时,需要谨慎评估风险,并做好安全防范措施。北京木奇移动技术有限公司,…

基于python的随机森林回归预测+贝叶斯优化超参数前后训练效果对比

目录 1.导入必要的库 2.导入数据与数据预处理 3.查看数据分布 4.特征选择 5.模型建立与训练 6.训练集预测结果 7.模型评估 8.预测新数据 9.贝叶斯优化超参数 1.导入必要的库 # 导入所需的库 from sklearn.model_selection import cross_val_score import pandas as …

【vocabulary in use (elementary)】6 Health and Illness

very well / fine 很好 ill sick 生病 I feel terrible 感觉很差 headache 头疼 toothache 牙疼 dentist medicine 药 pills 片药 caps 胶囊 aspirin 阿司匹林 antibiotic 抗生素 vitamin 维生素 painkiller 止痛药 dentist 牙医 got a cold 感冒 for many years 很多年 all th…

Channel Messaging API 的使用

Channel Messaging API 是HTML5中引入的一种高级通信机制,它允许在Web Workers之间,以及Web Workers与主线程之间建立高效、安全的双向通信通道。这一API特别适用于需要频繁交换数据或维持长期通信的场景,提高了Web应用的性能和灵活性。 基础…

中英双语介绍美国的州:印第安纳州(Indiana)

中文版 印第安纳州简介 印第安纳州位于美国中西部地区,是一个以其农业、制造业和体育文化而著称的州。以下是对印第安纳州的详细介绍,包括其地理位置、人口、经济、教育、文化和主要城市。 地理位置 印第安纳州东临俄亥俄州,北接密歇根州…

白骑士的Python教学高级篇 3.1 多线程与多进程

系列目录 上一篇:白骑士的Python教学进阶篇 2.4 高级数据结构 在现代编程中,提升程序性能和处理能力的常见方法之一是并发编程,通过同时执行多个任务来提高效率。Python中主要有两种并发方式:多线程和多进程。理解它们的概念、差…

数据集成面试题

Flume 一、flume组成 --Agent Flume的部署单元,本质上是一个JVM进程,Agent主要由Source、Channel、Sink三个部分组成 --Source 收集数据,以event为单元进行封装发送给channel 参数配置:当采集速度比较慢,调整batchSize参数&…

IOS Swift 从入门到精通:写入 Firestore数据库

文章目录 FirestoreManager 类创建文档更新文档更新 Firestore 权限规则现在,我们想要在 Firestore 中添加或更新文档。如果您还没有,我建议您阅读有关设置 Firebase Auth 和从 Firestore 读取的部分。您必须在应用程序中启用 Firebase,并在项目中启用 Firestore 数据库,才…

【IT专业入门,高考假期预习指南】高考后的IT征途:启航前的准备与策略

IT专业入门,高考假期预习指南 七月来临,各省高考分数已揭榜完成。而高考的完结并不意味着学习的结束,而是新旅程的开始。对于有志于踏入IT领域的高考少年们,这个假期是开启探索IT世界的绝佳时机。作为该领域的前行者和经验前辈&a…

Java中的分布式事务管理

Java中的分布式事务管理 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿!今天我们将深入探讨Java中的分布式事务管理,这是在现代大规模应用中必须解决…