- 学堂
- 博客
- 论坛
- 开发服务
- 开发工具
- 直播
- 视频
- 用户
- 一周
- 一个月
- 三个月
-
深度学习中的知识蒸馏技术
、香蕉以及苹果的模型，将两个不同域的数据集进行集成和迁移。因此，在工业界中对知识蒸馏和迁移学习也有着非常强烈的需求。补充模型压缩的知识模型压缩大体上可以分为 5 种：模型剪枝：即移除对结果作用较小的组件，如减少 head 的数量和去除作用较少的层，共享参数等，ALBERT属于这种；量化：比如将
-
图的遍历 深度和广度遍历算法
texNum]; //邻接矩阵，可看作边表 int n, e; //图中的顶点数n和边数e }MGraph; //用邻接矩阵表示的图的类型 //建立邻接矩阵 void CreatMGraph(MGraph *G) { int i
-
深度学习基础知识——回归问题
回归问题算法通常是利用一系列属性来预测一个值，预测的值是连续的。例如给出一套房子的一些特征数据，如面积、卧室数等来预测房价，利用最近一周的气温变化和卫星云图来预测未来的气温情况等。如果一套房子实际价格为500万元，通过回归分析的预测值为499万元，则认为这是一个比较好的回归分析。在机器学习问题中，常见的回归分析有线性回归（Linear
-
“深度优先” 、 “广度优先” 究竟哪个更常用
点之间的最短路径。例如，在迷宫游戏中，我们可以使用广度优先搜索来找到从起点到终点的最短路径。网络分析：广度优先搜索可以用于分析社交网络或互联网中的关系。例如，寻找两个人之间的最短社交路径或确定网页之间的相关性。生成树和图的连通性：广度优先搜索可以用于生成树的构建和判断图的连通性。
-
深度学习入门之前置知识
这里就生成了一个2*2的矩阵A。矩阵A的形状可以通过shape查看，矩阵元素的数据类型可以通过dtype查看 算术运算和之前的一样，在相同形状的矩阵内以对应元素的方式进行，也可以通过标量对矩阵进行算术运行 广播 import numpy as np A = np.array([[1,2],[3,4]]) print(A)
-
python算法实现深度优先和广度优先
图（Graph）是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合. 简单点的说：图由节点和边组成。一个节点可能与众多节点直接相连，这些节点被称为邻居。 from collections import
-
七十九、深度和广度优先搜索算法
编程的本质来源于算法，而算法的本质来源于数学，编程只不过将数学题进行代码化。 ---- Runsen 深度优先搜索和广度优先搜索作为应用广泛的搜索算法，一般是必考算法。 深度优先算法（DFS） 深度优先算法的本质是回溯算法，多数是应用在树上，一个比较典型的应用就是二叉树的中序遍历。
-
深度学习修炼（四）——补充知识
中存放的模型。 torch.hub.list('pytorch/vision:v0.4.2') 1 其余的这里我就不做过多介绍了，因为Github上的pytorch.hub上有详细说明，甚至导入方式，返回什么都写的十分的详细。还有很多实际的例子和案例可供选择，感兴趣的小伙伴可以去试试。
-
深度学习基础知识--梯度下降算法
算的。事实上可以将该算法想象成一个随机的过程，也就是每次仅随机抽取一个点，在期望上与所有点加起来的平均大体相似。这样就可以用单个点的梯度代替平均的梯度，该单个点的梯度叫随机的梯度，整体的梯度可以看成是随机梯度的期望值。基于随机梯度下降的线性规划问题迭代算法涉及公式如下：式中，x（
-
深度学习基础知识--分类问题算法
于分类错误的样本，将会产生更大的惩罚值和更大的梯度。逻辑回归模型从回归概率的角度定义了线性二分类问题。图2.6（a）给出了线性分类器的图形表示，深色样本为y=0，浅色样本为y=1，而中间的曲线为训练得到的线性分类边界z（x）=wTx=0。当z（x）<0，即点在分界线的上方时，预测
-
REPAINT:深度强化学习中的知识迁移
过利用先前学习的任务来加速复杂任务的学习过程一直是强化学习中最具挑战性的问题之一，尤其是当源任务和目标任务之间的相似性较低时。本文针对深度强化学习中的知识迁移问题，提出了表示与实例迁移(REPAINT)算法。REPAINT 不仅在策略学习中转移了预先训练的教师策略的表示，而且还使
-
深度学习和机器学习的区别
数据的一种机器学习技术。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网
-
机器学习和深度学习的区别是什么？
经网络的基础知识，然后我们已经将深度学习介绍为一种特殊的超级网络：层数的增加和网络的复杂性被称为深度学习，类似于类固醇(steroids)上的常规网络。为什么这种复杂性是一个优势？知识在各个层间流动。就像人类学习，一个逐步学习的过程。第一层专注于学习更具体的概念，而更深的层将使用
-
深度学习基础知识--过拟合与欠拟合
合尽可能多的数据，可能选择了图2.7（c）中曲线所示的复杂模型，尽管这样的模型将数据100%地区分开了，但并没有很好地拟合数据特征，对于一个新来的测试点，这个过拟合的模型很可能出现区分错误，这样的模型叫作过拟合。而图2.7（b）中的曲线则为一个更好的模型，具有更好的泛化能力。如图2
-
深度学习前常见的python基础知识
containing pickled data when allow_pickle=False 需要更新numpy版本，或者该模型还没有完全训练好，是一个残缺的predict。
-
图的二种遍历-广度优先遍历和深度优先遍历
图的深度优先遍历 1.树的深度优先遍历 树的深度优先遍历有点类似于先根遍历 首先遍历 1 2 5 6 3 4 7 8 ，它的遍历更趋向于先深层的遍历树。 编辑 2.图的深度优先遍历 首先我们可以先看一下2，和2相邻的是1号结点和6号结点。和2相邻的
-
深入浅出广度和深度优先搜索算法
算法是基于特定数据结构之上的，深度优先搜索算法和广度优先搜索算法都是基于“图”这种数据结构的。 树是图的一种特例（连通无环的图就是树）。 图上的搜索算法，最直接的理解就是，在图中找出从一个顶点出发，到另一个顶点的路径。具体方法有很多，两种最简单、最“暴力”的深度优先、广度优先搜索，还有 A*、IDA*
-
【Datawhale动手学深度学习笔记】预备知识
Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。 在下面的例子中，我们用Python的id()函数演示了这一点， 它给我们提供了内存中引用对象的确切地址。 运行Y = Y + X后，我们会发现id(Y)指向另一个位置。 这是因为Python首先计算Y + X，为结果分配新的内存，然后使Y指向内存中的这个新位置。
-
强化学习和深度学习的结合
从整个机器学习的任务划分上来看，机器学习可以分为有监督学习、无监督学习和半监督学习及强化学习。图像、文本等深度学习的应用都属于有监督学习范畴。自编码器和生成式对抗网络可以算在无监督深度学习范畴内。最后就剩下强化学习了。强化学习发展到现在，早已结合了神经网络迸发出新的活力，强化学习结合深度学习已经形成了深度强化学习（Deep
-
《MXNet深度学习实战》—1.4 MXNet开发需要具备的知识
4 MXNet开发需要具备的知识入门MXNet与入门其他深度学习框架类似，一般而言只要你具备基本的代码能力和算法基础就可以开始使用MXNet训练模型了。在应用MXNet的过程中，希望读者能够多看文档和源码，毕竟各类接口的详细定义和使用都是通过文档来介绍的，部分接口源码也并非高深莫
