❶ 的卷積神經網路，使用什麼配置的電腦比較好
卷積神經網路有以下幾種應用可供研究：
1、基於卷積網路的形狀識別
物體的形狀是人的視覺系統分析和識別物體的基礎，幾何形狀是物體的本質特徵的表現，並具有平移、縮放和旋轉不變等特點，所以在模式識別領域，對於形狀的分析和識別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識別是三維圖像識別的基礎。
2、基於卷積網路的人臉檢測
卷積神經網路與傳統的人臉檢測方法不同，它是通過直接作用於輸入樣本，用樣本來訓練網路並最終實現檢測任務的。它是非參數型的人臉檢測方法，可以省去傳統方法中建模、參數估計以及參數檢驗、重建模型等的一系列復雜過程。本文針對圖像中任意大小、位置、姿勢、方向、膚色、面部表情和光照條件的人臉。
3、文字識別系統
在經典的模式識別中，一般是事先提取特徵。提取諸多特徵後，要對這些特徵進行相關性分析，找到最能代表字元的特徵，去掉對分類無關和自相關的特徵。然而，這些特徵的提取太過依賴人的經驗和主觀意識，提取到的特徵的不同對分類性能影響很大，甚至提取的特徵的順序也會影響最後的分類性能。同時，圖像預處理的好壞也會影響到提取的特徵。
❷ CNN卷積神經網路 DeepLearnToolbox問題
我沒用過CNN，我只能就matlab神經網路普遍存在的問題回答你，
1，同樣的輸入訓練樣本和測試樣本得到不一樣的結果，可能是因為權值初始化是隨機的，每個隨機的初始值在訓練的時候，誤差只能收斂到那片區域的局部最小值，而不能保證全局最小值。就像你被隨機傳送到一片起伏不定的山區，你沿著下山路徑走到地勢最低的點，但不能保證那個是整片山區地勢最低的點。這是神經網路中很常見的局部最小值問題。你可以通過設置學習演算法來改善。
2，神經網路會默認將樣例按一定比例劃分為訓練數據和測試數據，好像是這三個屬性
net.divideParam.trainRatio ;
net.divideParam.valRatio;
net.divideParam.testRatio;
如果你的測試樣例不多的話，那麼再劃分之後的訓練數據就更少了，所以有些數據可能根本沒訓練過。解決方法就是把訓練比例設置為1。
這是我在學習過程中遇到的實際問題以及解決方法，希望對你有幫助
❸ 用卷積神經網路實現mnist分類為什麼會死機
要討價還價8
❹ 卷積神經網路訓練了一天正常嗎
正常
卷積神經網路(Convolutional Neural Network,CNN)是一種前饋神經網路,它的人工神經元可以響應一部分覆蓋范圍內的周圍范圍內的周圍單元
❺ 卷積神經網路（CNN）文本訓練的問題
CNN卷積神經網路是一種深度模型。它其實老早就已經可以成功訓練並且應用了（最近可能deep learning太火了，CNNs也往這裡面靠。雖然CNNs也屬於多層神經網路架構，但把它置身於DL家族，還是有不少人保留自己的理解的）。
❻ 訓練一個圖像識別分類的卷積神經網路，使用什麼配置的電腦比較好
看你的描述這么專業，最後怎麼問的有點外行，既然系統做圖像識別的學習，肯定是需要大數據配合，電腦哪裡處理的了，要用伺服器，如果是初級應用，那麼性能不一定要多強，兩台入門級的伺服器吧，因為可以支持多線程處理，為了節約，可以買國產的塔式伺服器，便宜而且可以不用機櫃，現在的伺服器大多也都是千兆網卡了，不用特意要求，主要在內存和硬碟，現在的伺服器瓶頸就是數據讀取速度，資金允許就配固態盤做數據盤，配合前兆網卡和兩台伺服器處理能力，完美的學習環境。
❼ matlab卷積神經網路運行有錯誤
錯誤原因是cnnsetup函數找不到。
1. 請將程序文件夾至於不含空格和中文的路徑下，路徑越簡單越好，比如D:works這種
2. 請在出錯語句前加入一行：
whichcnnsetup;ls;
然後貼出執行結果，以便診斷出錯原因。
❽ 如何使用tensorflow實現卷積神經網路
沒有卷積神經網路的說法，只有卷積核的說法。
電腦圖像處理的真正價值在於：一旦圖像存儲在電腦上，就可以對圖像進行各種有效的處理。如減小像素的顏色值，可以解決曝光過度的問題，模糊的圖像也可以進行銳化處理，清晰的圖像可以使用模糊處理模擬攝像機濾色鏡產生的柔和效果。
用Photoshop等圖像處理，施展的魔法幾乎是無止境的。四種基本圖像處理效果是模糊、銳化、浮雕和水彩。?這些效果是不難實現的，它們的奧妙部分是一個稱為卷積核的小矩陣。這個3*3的核含有九個系數。為了變換圖像中的一個像素，首先用卷積核中心的系數乘以這個像素值，再用卷積核中其它八個系數分別乘以像素周圍的八個像素，最後把這九個乘積相加，結果作為這個像素的值。對圖像中的每個像素都重復這一過程，對圖像進行了過濾。採用不同的卷積核，就可以得到不同的處理效果。?用PhotoshopCS6，可以很方便地對圖像進行處理。
模糊處理——模糊的卷積核由一組系數構成，每個系數都小於1，但它們的和恰好等於1，每個像素都吸收了周圍像素的顏色，每個像素的顏色分散給了它周圍的像素，最後得到的圖像中，一些刺目的邊緣變得柔和。
銳化卷積核中心的系數大於1，周圍八個系數和的絕對值比中間系數小1，這將擴大一個像素與之周圍像素顏色之間的差異，最後得到的圖像比原來的圖像更清晰。
浮雕卷積核中的系數累加和等於零，背景像素的值為零，非背景像素的值為非零值。照片上的圖案好像金屬表面的浮雕一樣，輪廓似乎凸出於其表面。
要進行水彩處理，首先要對圖像中的色彩進行平滑處理，把每個像素的顏色值和它周圍的二十四個相鄰的像素顏色值放在一個表中，然後由小到大排序，把表中間的一個顏色值作為這個像素的顏色值。然後用銳化卷積核對圖像中的每個像素進行處理，以使得輪廓更加突出，最後得到的圖像很像一幅水彩畫。
我們把一些圖像處理技術結合起來使用，就能產生一些不常見的光學效果，例如光暈等等。
希望我能幫助你解疑釋惑。
❾ 深度學習為什麼加入卷積神經網路之後程序運行速度反而變慢了
實際上對於同等規模的特徵，卷積神經網路由於權重共享，極大地減少了訓練參數，相比普通的神經網路肯定是更快的，只是因為卷積神經網路現在用來做更復雜的圖像運算，讓你感覺速度變慢了
❿ 為什麼我的電腦會突然卡死
死機是電腦故障中最為常見的一種，同時它也是最令人頭疼的一種。因為其故障點可大可小，而且產生死機的原因有很多種，另外其故障現象也是多種多樣的，不過筆者把故障現象總的歸為兩大類——規律性死機和隨機性死機。至於死機現象給人的主觀表現多為「藍屏」、畫面「定格」無反應（同時滑鼠和鍵盤也無法輸入）、經常出現非法操作（或強行關閉某程序）、在進入操作系統前就已失去反應等。
乍看上去死機故障好象很「可怕」，但其故障原因永遠也脫離不了硬體與軟體這兩方面，所以說我們只要知道具體的故障原因就完全可以「擺平」死機故障，甚至將其杜絕。
第一、軟體進行故障排除
1。在所有的軟體故障中，病毒佔了一半以上，可以打開殺毒軟體來查殺病毒。
2。刪除無用的和不常用的垃圾和軟體
3。禁用冗餘啟動和服務項。禁用所有不必要的問題。
4。將硬體驅動程序更新到最新版本。硬體驅動程序問題也可能導致崩潰，所有的崩潰都更新到最新版本。
5。軟體故障的最終解決方案 → 重新安裝系統。
如果上述任何操作無法解決，重新載入系統，或者重新載入系統是無用的的話接下來看硬體
第二、硬體故障排除
1。除塵 灰塵、清理電腦硬體灰塵 用毛刷或者吹風機清理一下。
2。嘗試的重新插一下內存條（建議清理一下內存條金手指部分，有時候內存條不幹凈或者松動也會影響電腦正常運行）
3。再次向CPU中加入散熱膠。CPU散熱不好，溫度過高是崩潰重啟的主要原理，清理灰塵後，加一些散熱膠!
重置主板BIOS設置。把主板恢復到出廠設置，因為設置不當，會帶來一些莫名其妙奇妙的故障。
5。檢查電源電壓及電腦輸入是否正常穩定。
測試城市是否在180V-230Vi與10000米之間，太低，太高會導致電腦死機重啟，甚至燒毀主板。
檢查PC電源電源是否供電不足、老化，用萬用表檢查+ 12-5 +5，或直接用新表檢測
第三，多個程序自動啟動
現在的軟體喜歡自動添加自己的啟動項目，原因很簡單，刷用戶數據。如果你每次打開電腦時，QQ和殺毒軟體都掛掉了，那麼它們就不會自動啟動了。但是，他們不需要像XX軟體那樣自動啟動升級服務和XXX視頻播放器、音樂播放器等
雖然他們說自動啟動不會佔用你的資源，但它肯定會佔用你的生活。電腦可以在20秒內啟動，在兩分鍾內打開，但這是他們的錯。