内容选择
全部
内容选择
内容分类
  • 学堂
  • 博客
  • 论坛
  • 开发服务
  • 开发工具
  • 直播
  • 视频
  • 用户
时间
  • 一周
  • 一个月
  • 三个月
  • 深度学习GRU

    Gated Recurrent Unit – GRU 是 LSTM 的一个变体。他保留了 LSTM 划重点,遗忘不重要信息的特点,在long-term 传播的时候也不会被丢失。

    作者: 我的老天鹅
    1262
    13
  • 啥是AI、机器学习深度学习

    事实上,提出“深度学习”概念的Hinton教授加入了google,而Alpha go也是google家的。在一个新兴的行业,领军人才是多么的重要啊!  总结:人工智能是一个很老的概念,机器学习是人工智能的一个子集,深度学习又是机器学习的一个子集。机器学习深度学习都是需要大量数据

    作者: freeborn0601
    9640
    3
  • 分享深度学习笔记组件学习

    组件学习组件学习不仅使用一个模型的知识,还使用多个模型的知识。人们相信,通过独特的信息组合或输入(包括静态和动态),深度学习可以比单一模式更深入地理解和表现。迁移学习是组件学习的一个非常明显的例子。基于这一思想,对类似问题预先训练的模型权重可用于对特定问题进行微调。为了区分不同类

    作者: 初学者7000
    628
    1
  • 深度学习深度前馈网络

           深度前馈网络 (deep feedforward network),也叫作前馈神经网络 (feedforward neural network) 或者多层感知机 (multilayer perceptron, MLP),是典型的深度学习模型。前馈网络的目标是近似某个函数

    作者: 小强鼓掌
    1256
    4
  • 深度学习之多任务学习

    地泛化。展示了多任务学习中非常普遍的一种形式,其中不同的监督任务(给定 x预测 y(i))共享相同的输入 x 以及一些中间层表示 h(share),能学习共同的因素池。该模型通常可以分为两类相关的参数:多任务学习深度学习框架中可以以多种方式进行,该图说明了任务共享相同输入但涉及

    作者: 小强鼓掌
    532
    1
  • 深度学习之流形学习

    字“8” 形状的流形在大多数位置只有一维,但在中心的相交处有两维。      如果我们希望机器学习算法学习 Rn 上的所有感兴趣的函数,那么很多机器学习问题看上去都是不可解的。流形学习 (manifold learning) 算法通过一个假设来克服这个障碍,该假设认为 Rn 中大

    作者: 小强鼓掌
    1676
    3
  • 深度学习之流形学习

    字“8” 形状的流形在大多数位置只有一维,但在中心的相交处有两维。      如果我们希望机器学习算法学习 Rn 上的所有感兴趣的函数,那么很多机器学习问题看上去都是不可解的。流形学习 (manifold learning) 算法通过一个假设来克服这个障碍,该假设认为 Rn 中大

    作者: 小强鼓掌
    1053
    2
  • 深度学习之流形学习

    例如,数字 “8’’ 形状的流形在大多数位置只有一维,但在中心的相交处有两维。如果我们希望机器学习算法学习 Rn 上的所有感兴趣的函数,那么很多机器学习问题看上去都是不可解的。流形学习 (manifold learning) 算法通过一个假设来克服这个障碍,该假设认为 Rn 中大

    作者: 小强鼓掌
    811
    1
  • 深度学习的现实应用《深度学习Mindspore实践》今天你读书了吗?

    要成果就是词向量的学习。  医疗领域深度学习算法可以发现人类无法捕捉到的特征。研究人员利用这些算法对细胞图像进行分类,建立基因组连接,加速药物发明周期。在医疗领域,深度卷积神经网络被应用于癌细胞分类、病变检测、器官分割和图像增强等医疗图像分析金融领域,深度学习被应用于金融欺诈检测

    作者: QGS
    1026
    2
  • 深度学习发展的学习范式——成分学习

    成分学习    成分学习不仅使用一个模型的知识,而且使用多个模型的知识。人们相信,通过独特的信息组合或投入(包括静态和动态的),深度学习可以比单一的模型在理解和性能上不断深入。    迁移学习是一个非常明显的成分学习的例子, 基于这样的一个想法, 在相似问题上预训练的模型权重可以

    作者: 初学者7000
    716
    5
  • 《MXNet深度学习实战》—1.1.3 深度学习

    1.1.3 深度学习在介绍深度学习之前首先需要了解下神经网络,神经网络是机器学习算法中的一个重要分支,通过叠加网络层模拟人类大脑对输入信号的特征提取,根据标签和损失函数的不同,既可以做分类任务,又可以做回归任务。我们知道在机器学习的大部分算法中,特征提取一般都是手动构造的,这部分

    作者: 华章计算机
    发表时间: 2019-06-16 16:21:27
    3404
    0
  • 深度学习初体验

    (NLP)领域。显然,“深度学习”是机器学习中的“神经网络”是强相关,“神经网络”也是其主要的算法和手段;或者可以将“深度学习”称之为“改良版的神经网络”算法。目前主流的深度学习的框架有:TensorFlow、MOA、Caffe、Apache SINGA、PyTorch、Puppet、MXNet、Nervana

    作者: ad123445
    8089
    33
  • 深度学习在环保

    Anthony 如是说:" 这一领域的开发获得了高速发展。深度学习模型在规模上不断扩大,越来越先进, 目前呈指数级增长。令大多数人意想不到的是:这意味着能源消耗正在随之增加。" 一次深度学习训练 =126 个丹麦家庭的年度能源消耗 深度学习训练是数学模型识别大型数据集中的模式的过程。这是一

    作者: 初学者7000
    838
    2
  • PyTorch深度学习实战 | 深度学习框架(PyTorch)

    图2 动态图2 PyTorch的代码如图2所示,相比于TensorFlow和Caffe而言显得可读性非常高,网络各层的定义传播方法一目了然,甚至不需要过多的文档注释,单凭代码就可以很容易理解其功能,也就成为许多初学者的首选。 ■ 图2 PyTorch代码示例

    作者: TiAmoZhang
    发表时间: 2023-03-16 07:53:51
    749
    0
  • 深度学习的挑战

    深度学习挑战 虽然深度学习具有令人印象深刻的能力,但是一些障碍正在阻碍其广泛采用。它们包括以下内容: •技能短缺:当O'Reilly公司的调查询问是什么阻碍人们采用深度学习时,受访者的第一个反应就是缺乏熟练的员工。2018年全球人工智能人才报告表明,“全世界大约有22,000名获

    作者: 建赟
    1653
    2
  • 分享深度学习算法

    GR推荐原因这是第一篇关于基于深度学习的立体匹配任务的综述文章,以往关于立体匹配的综述文章多基于传统方法,或者年代已久。这篇综述文章主要总结了过去6年发表在主要会议和期刊上的150多篇深度立体匹配论文,可以称得上方法最新,分类最全,概括最广。在论文中,作者首先介绍了深度立体匹配网络的常用架

    作者: 初学者7000
    951
    3
  • 分享深度学习笔记

    深度学习领域,特别是在NLP(最令人兴奋的深度学习研究领域)中,该模型的规模正在扩大。最新的gpt-3模型有1750亿个参数。把它比作伯特就像把木星比作蚊子一样(好吧,不是字面意思)。深度学习的未来会更大吗?通常情况下,gpt-3是非常有说服力的,但它在过去一再表明,“成功的科

    作者: 初学者7000
    636
    1
  • 部署深度学习模型

    虽然modelarts能够帮助我们在线上完成深度学习的模型,但是训练好的深度学习模型是怎么部署的

    作者: 初学者7000
    875
    3
  • 深度学习深陷困境!

    机。然而,当风险较高时,比如在放射学或无人驾驶汽车领域,我们对待深度学习的态度就要更加谨慎。如果一个小小的错误就能夺去一条生命,那么深度学习还不够优秀,不足以应用。在遇到训练数据差异非常大的“异常值”时,深度学习系统表现出的问题尤为明显。例如,不久前,一辆特斯拉在所谓的全自动驾

    作者: 星恒
    250
    3
  • 深度学习模型结构

    者目标等),再到更高层的目标、目标的行为等,即底层特征组合成了高层特征,由低到高的特征表示越来越抽象。深度学习借鉴的这个过程就是建模的过程。 深度神经网络可以分为3类,前馈深度网络(feed-forwarddeep networks, FFDN),由多个编码器层叠加而成,如多层感知机(multi-layer

    作者: QGS
    644
    2