- 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
-
深度学习的应用
计算机视觉香港中文大学的多媒体实验室是最早应用深度学习进行计算机视觉研究的华人团队。在世界级人工智能竞赛LFW（大规模人脸识别竞赛）上，该实验室曾力压FaceBook夺得冠军，使得人工智能在该领域的识别能力首次超越真人。语音识别微软研究人员通过与hinton合作，首先将RBM和DBN引入到
-
《深度学习：主流框架和编程实战》——1.4 优化深度学习的方法
1.4 优化深度学习的方法目前，深度学习在多种目标分类和识别任务中取得优于传统算法的结果，并产生大量优秀的模型，使用迁移学习方法将优秀的模型应用在其他任务中，可以达到在减少深度学习训练时间的前提下，提升分类任务性能，同时降低对训练集规模的依赖，关于迁移学习及其实例分析将在第6章进
-
《深度学习：主流框架和编程实战》——1.5 深度学习展望
的研究成果都依赖于大规模数据集和强大的计算能力，如果没有大量真实的数据集，没有相关的工程专业知识，探索新算法将会变得异常困难。4）超参数的合理取值。深度神经网络以及相关深度学习模型应用需要足够的能力和经验来合理地选择超参数的取值，如学习速率、正则项的强度以及层数和每层的单元个数等
-
深度学习: 反向传播和其他的微分算法
y)，其中 x 是一组变量，我们需要它们的导数，而 y 是函数的另外一组输入变量，但我们并不需要它们的导数。在学习算法中，我们最常需要的梯度是代价函数关于参数的梯度，即 ∇θJ(θ)。许多机器学习任务需要计算其他导数，来作为学习过程的一部分，或者用来分析学得的模型。反向传播算法也适用于这些
-
适合新手的深度学习综述（4）--深度学习方法
简要介绍了无监督学习的深度架构，并详细解释了深度自编码器。4.3 深度强化学习强化学习使用奖惩系统预测学习模型的下一步。这主要用于游戏和机器人，解决平常的决策问题。Schmidthuber(2014) 描述了强化学习 (RL) 中深度学习的进展，以及深度前馈神经网络 (FNN) 和循环神经网络
-
深度学习
使用深度学习方法处理计算机视觉问题的过程类似于人类的学习过程：我们搭建的深度学习模型通过对现有图片的不断学**结出各类图片的特征，最后输出一个理想的模型，该模型能够准确预测新图片所属的类别。图1-2展示了两个不同的学习过程，上半部分是通过使用深度学习模型解决图片分类问题，下半部分
-
深度学习之深度模型中的优化
深度学习算法在许多情况下都涉及到优化。例如，模型中的进行推断（如 PCA）涉及到求解优化问题。我们经常使用解析优化去证明或设计算法。在深度学习涉及到的诸多优化问题中，最难的是神经网络训练。甚至是用几百台机器投入几天到几个月来解决单个神经网络训练问题，也是很常见的。因为这其中的优化
-
《深度学习：主流框架和编程实战》——1.1.2 传统机器学习与深度学习的对比
2 传统机器学习与深度学习的对比传统机器学习与深度学习在理论与应用上都存在差异，下面将分别从数据依赖、硬件支持、特征工程、问题解决方案、执行时间以及可解释性这六个方面对传统机器学习与深度学习的差别进行比较。数据依赖：深度学习和传统机器学习最重要的区别是前者的性能随着数据量的增加而增强
-
深度学习之学习和纯优化有什么不同
J 本身。训练深度模型的优化算法通常也会包括一些针对机器学习目标函数的特定结构进行的特化。通常，代价函数可写为训练集上的平均，如J(θ) = E(x,y)∼pˆdata L(f(x; θ), y),中 L 是每个样本的损失函数，f(x; θ) 是输入 x 时所预测的输出，pˆdata
-
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
-
深度学习
全面地讲述深度学习的历史超出了本书的范围。然而，一些基本的背景对理解深度学习是有用的，深度学习经历了三次发展浪潮：20世纪40年代到60年代深度学习的雏形出现在控制论（cybernetics）中，20世纪80年代到90年代深度学习表现为联结主义（connectionism），直到
-
-
《AI安全之对抗样本入门》—1 深度学习基础知识
第1章深度学习基础知识掌握好深度学习的基础知识是理解对抗样本的基本前提，本章将简要介绍深度学习的背景知识，详细介绍与对抗样本相关的一些重要知识点。对抗样本应用最广泛的领域是机器视觉，包括图像分类、目标识别、人脸比对等，所以本章还将重点介绍基于CNN的图像分类。在实际项目中，如何衡
-
机器学习与深度学习的比较
深度学习要求包括GPU。这是它工作中不可或缺的一部分。它们还进行大量的矩阵乘法运算。特色工程这是一个普遍的过程。在此，领域知识被用于创建特征提取器，以降低数据的复杂性，并使模式更加可见以学习算法的工作。虽然，处理起来非常困难。因此，这是需要非常多的专业知识和时间。解决问题的方法
-
深度学习
能。借助深度学习，我们可以制造出具有自动驾驶能力的汽车和能够理解人类语音的电话。由于深度学习的出现，机器翻译、人脸识别、预测分析、机器作曲以及无数的人工智能任务都成为可能，或相比以往有了显著改进。虽然深度学习背后的数学概念几十年前便提出，但致力于创建和训练这些深度模型的编程库是近
-
深度学习
深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学
-
深度学习是什么？
学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，
-
深度学习基础知识--2.4 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：主流框架和编程实战》——1.2.2 基于统计的深度学习技术
theory）可知，对于任意的非线性函数一定可以找到一个深度学习网络来对其进行表示，但是“可表示”并不代表“可学习”，因此需要进一步了解深度学习的样本复杂度，即需要多少训练样本才能得到一个足够好的深度学习模型。这些问题都有待于从理论层面进行突破，统计学对深度学习的进一步发展有着十分重要的意义。
-
矩阵和向量相乘“深度学习”笔记
矩阵和向量相乘矩阵乘法是矩阵运算中最重要的操作之一。两个矩阵A和B的矩阵相乘是第三个矩阵C。为了使乘法可被定义，矩阵A的列数必须和矩阵B的行数相等。如果矩阵A的形状是m x n，矩阵B的形状是n x p，那么矩阵C的形状是m x p。我们可以通过将两个或多个矩阵并列放置以书写矩阵乘法，列如
