3 repository-uri
Awesome GitHub RepositoriesConvolutional Layer Conversion
Methods for replacing fully connected layers with convolutional layers.
Distinguishing note: No existing candidates; focuses on architectural flexibility.
Explore 3 awesome GitHub repositories matching artificial intelligence & ml · Convolutional Layer Conversion. Refine with filters or upvote what's useful.
Awesome Convolutional Layer Conversion GitHub Repositories
Găsește cele mai bune repo-uri cu AI.Vom căuta cele mai potrivite repository-uri folosind AI.
- d2l-ai/d2l-en
d2l-ai/d2l-en
29,001Vezi pe GitHubThis project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex
Uses global average pooling instead of dense layers to reduce parameter counts while maintaining classification performance.
Pythonbookcomputer-visiondata-science - cs231n/cs231n.github.io
cs231n/cs231n.github.io
10,923Vezi pe GitHubThis project is a static educational website and comprehensive curriculum focused on computer vision and deep learning. It serves as a public repository of instructional materials, lecture notes, and technical guides specifically detailing convolutional neural networks and visual recognition. The site is developed using static-site generation to host course documentation and student project directories. It provides structured academic resources that guide learners through image classification, generative modeling, and the implementation of various neural network architectures. The curriculum
Explains how to convert fully connected layers into convolutional layers to enable spatial evaluation of images.
Jupyter Notebook - kaiminghe/deep-residual-networks
KaimingHe/deep-residual-networks
6,738Vezi pe GitHubAcest proiect oferă un framework de rețele reziduale adânci și modele PyTorch pre-antrenate, concepute pentru recunoașterea imaginilor cu precizie ridicată. Implementează o arhitectură de rețea neuronală care utilizează conexiuni de tip skip pentru a permite antrenarea unor modele foarte adânci fără degradarea gradientului. Sistemul este conceput pentru sarcini de viziune computerizată, inclusiv clasificarea imaginilor, detectarea obiectelor și segmentarea datelor vizuale. Include ponderi antrenate pe ImageNet pentru a susține transfer learning-ul și ajustarea fină (fine-tuning) a modelelor pe seturi de date de imagini personalizate. Designul arhitectural se concentrează pe blocuri de învățare reziduală, configurații de straturi bottleneck și normalizarea batch-urilor pentru a menține stabilitatea în timpul antrenamentului. Framework-ul utilizează, de asemenea, global average pooling pentru a reduce numărul de parametri și a preveni overfitting-ul.
Utilizes global average pooling to replace fully connected layers, reducing total parameters and preventing overfitting.
