IPFS 介绍与应用
额，好久没写博客了，今年下半年由于偶然的机会接触了 IPFS ，即星际文件系统，这篇文章简单写写我对 IPFS 的理解和对 IPFS 的应用。
文章笔记 / JOURNAL
共 49 篇深度学习之(十二)DenseNet 网络
DenseNet 网络相比 ResNet 网络提出了更激进的稠密网络，即每一层都会与前面所有层在 channel 维度上进行拼接 (concat) 。而 ResNet 网络只在部分层进行维度上元素相加。
深度学习之(十一)ResNet 网络
随着深度学习的发展，越来越多的模型都采用更深的网络来训练自己的模型，那么模型网络层数越多真的就能训练出更好的模型吗？答案是否定的，何凯明等人在 ResNet 论文中提出，随着网络层数的加深，训练误差反而增加了，论文中叫做退化问题，论文中提出了残差块结构，将浅层的计算结果与深层的计算结...
深度学习之(十)GoogLeNet 网络
在 2014 年的 ImageNet 图像识别挑战赛中，一个名叫 GoogLeNet 的网络结构大放异彩。GoogLeNet 借鉴了 NiN 中网络串联网络的思想，并在此基础上做了很大改进。在随后的几年里，研究人员对 GoogLeNet 进行了数次改进，本节将介绍这个模型系列的第一个版本。
深度学习之(九)NiN 网络
NiN 即网络中的网络(Network In Network)。前面几章介绍的 LeNet 、 AlexNet 和 VGG 在设计上都是先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。其中， AlexNet 和 VGG 对 LeNet 的改进主要在于如...
深度学习之(七)VGG 网络
VGG 块的由连续使用数个相同的填充为 1 、窗口形状为 3×3 的卷积层后接上一个步幅为 2 、窗口形状为 2×2 的最大池化层。卷积层保持输入的高和宽不变，而池化层则对其减半。
深度学习之(六)LeNet 网络
LeNet 这个名字来源于 LeNet 论文的第一作者 Yann LeCun 。 LeNet 展示了通过梯度下降训练卷积神经网络可以达到手写数字识别在当时最先进的结果。这个奠基性的工作第一次将卷积神经网络推上舞台，为世人所知。
深度学习之(七)AlexNet 网络
AlexNet 这个模型的名字来源于论文第一作者的姓名 Alex Krizhevsky 。 AlexNet 使用了 8 层卷积神经网络，并以很大的优势赢得了 ImageNet 2012 图像识别挑战赛。它首次证明了学习到的特征可以超越手工设计的特征，从而一举打破计算机视觉研究的前状。
深度学习之(五)卷积神经网络
卷积神经网络(convolutional neural network)是含有卷积层的神经网络。二维卷积层是卷积神经网络使用最常见的卷积神经网络，常用来处理图像数据。
深度学习之(4)模型优化
训练误差指模型在训练数据集上表现出的误差；泛化误差指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试是数据集上的误差来近似。计算上述两种误差可以使用损失函数，平方损失函数和交叉熵损失函数。机器学习应该注重降低泛化误差。
