机器学习与深度学习

深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。目前在智能硬件、教育、医疗等行业也在快速布局。2、所需数据量机器学习能够适应各种数据量，特别是数据量较小的场景。如果数据量迅速增加，那么深度学习的效果将更加突出，这是因为深度学习算法需要大量数据才能完美理解。

分享深度学习笔记组件学习

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。

深度学习之流形学习

      流形 (manifold) 指连接在一起的区域。数学上，它是指一组点，且每个点都有其邻域。给定一个任意的点，其流形局部看起来像是欧几里得空间。日常生活中，我们将地球视为二维平面，但实际上它是三维空间中的球状流形。      每个点周围邻域的定义暗示着存在变换能够从一个位置移动到其邻域位置

使用Python实现深度学习模型：智能医疗影像分析

随着人工智能技术的飞速发展，深度学习在医疗领域的应用越来越广泛。智能医疗影像分析是其中一个重要的应用方向，通过深度学习模型，可以自动分析和识别医疗影像，提高诊断的准确性和效率。本文将详细介绍如何使用Python实现一个深度学习模型，用于智能医疗影像分析。

使用Python实现深度学习模型：智能保险风险评估

随着科技的不断进步，深度学习在各个领域的应用越来越广泛。在保险行业，深度学习技术可以帮助保险公司更准确地评估风险，从而提高业务效率和客户满意度。本文将详细介绍如何使用Python实现一个深度学习模型，用于智能保险风险评估。

使用Python实现深度学习模型：智能食品配送优化

深度学习结合强化学习和路径优化算法，为这一挑战提供了强大的工具。本文将以Python为例，展示如何使用深度学习技术实现智能食品配送优化。 一、问题定义：什么是食品配送优化？ 食品配送优化的核心是如何以最少的时间和成本将订单送达用户手中。

浅谈深度学习Backbone

深度学习中常用的backbone有resnet系列（resnet的各种变体）、NAS网络系列（RegNet）、Mobilenet系列、Darknet系列、HRNet系列、Transformer系列和ConvNeXt。

深度学习之超参数

大多数机器学习算法都有设置超参数，可以用来控制算法行为。超参数的值不是通过学习算法本身学习出来的（尽管我们可以设计一个嵌套的学习过程，一个学习算法为另一个学习算法学出最优超参数）。所示的多项式回归实例中，有一个超参数：多项式的次数，作为容量超参数。控制权重衰减程度的 λ 是另一个超参数

深度学习之正切传播

受相关启发，正切传播（tangent prop）算法 (Simard et al., 1992)训练带有额外惩罚的神经网络分类器，使神经网络的每个输出 f(x) 对已知的变化因素是局部不变的。这些变化因素对应于沿着的相同样本聚集的流形的移动。这里实现局部不变性的方法是要求 ∇xf(

深度学习之交叉验证

        将数据集分成固定的训练集和固定的测试集后，若测试集的误差很小，这将是有问题的。一个小规模的测试集意味着平均测试误差估计的统计不确定性，使得很难判断算法 A 是否比算法 B 在给定的任务上做得更好。        当数据集有十万计或者更多的样本时，这不会是一个严重的问题

深度学习之交叉验证

数据集分成固定的训练集和固定的测试集后，若测试集的误差很小，这将是有问题的。一个小规模的测试集意味着平均测试误差估计的统计不确定性，使得很难判断算法 A 是否比算法 B 在给定的任务上做得更好。当数据集有十万计或者更多的样本时，这不会是一个严重的问题。当数据集太小时，也有替代方法允许我们使用所有的样本估计平均测试误差

深度学习神经网络

深度学习借鉴的这个过程就是建模的过程。 

深度学习之权重比例

权重比例推断规则在其他设定下也是精确的，包括条件正态输出的回归网络以及那些隐藏层不包含非线性的深度网络。然而，权重比例推断规则对具有非线性的深度模型仅仅是一个近似。虽然这个近似尚未有理论上的分析，但在实践中往往效果很好。Goodfellow et al. (2013b) 实验发现，

深度学习Sigmoid 激活函数

Sigmoid 函数的图像看起来像一个 S 形曲线。

深度学习笔记之应用

      深度学习对语音识别产生了巨大影响。语音识别在 20 世纪 90 年代得到提高后，直到约 2000 年都停滞不前。

AI前沿——深度学习技术

深度学习的出现就这个问题提出了一种解决方案。

《深度学习入门》笔记 - 26

欠拟合、过拟合的总结如下:接下来是TensorFlow框架部分，之前有个帖子 基于TensorFlow 2建立深度学习的模型 - 快速入门 cid:link_0然后会使用它来建立线性回归模型和神经网络分类模型敬请期待

《深度学习入门》笔记 - 09

继续线性回归模型，前面说了如何更新模型参数w，让预测值接近于真实值。现在我们来尝试迭代多次，看看效果。 从w=0开始 ```python #w初始值给0 x,y=0.5,0.8 w=0;lr=0.5 #lr学习率=0.5 pred=x*w loss=((pred-y)**2)/2

深度学习GoogLeNet结构

深度学习之隐藏单元

隐藏单元的设计是一个非常活跃的研究领域，并且还没有许多明确的指导性理论原则。整流线性单元是隐藏单元极好的默认选择。许多其他类型的隐藏单元也是可用的。决定何时使用哪种类型的隐藏单元是困难的事（尽管整流线性单元通常是一个可接受的选择）。我们这里描述对于每种隐藏单元的一些基本直觉。这些直觉可以用来建议我们何时来尝试一些单元