- 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
-
深度学习笔记之度量模型深度的方式(二)
由于并不总是清楚计算图的深度或概率模型图的深度哪一个是最有意义的,并且由于不同的人选择不同的最小元素集来构建相应的图,因此就像计算机程序的长度不存在单一的正确值一样,架构的深度也不存在单一的正确值。另外,也不存在模型多么深才能被修饰为 “深”的共识。但相比传统机器学习,深度学习研究的模型涉及更
-
《MXNet深度学习实战》—1.1.3 深度学习
搭建起来的一样,稍有不同的是,在神经网络中层的类型更多样,而且层与层之间的联系复杂多变。深度学习中的深度主要就是来描述神经网络中层的数量,目前神经网络可以达到成百上千层,整个网络的参数量从万到亿不等,所以深度学习并不是非常深奥的概念,其本质上就是神经网络。神经网络并不是最近几年才
-
分享深度学习发展的混合学习
这种学习范式试图跨越监督学习和非监督学习之间的界限。由于缺少标签数据和收集标签数据集的高成本,它通常用于业务环境中。从本质上讲,混合学习就是这个问题的答案。我们如何使用监督学习方法来解决或联系非监督学习问题?例如,半监督学习在机器学习领域正变得越来越流行,因为它可以很好地处理
-
什么是深度学习
深度学习是支撑人工智能发展的核心技术,云服务则是深度学习的主要业务模式之一。OMAI深度学习平台(以下简称OMAI平台)即是在上述前提下诞生的平台软件。OMAI深度学习平台是具备深度学习算法开发、模型训练、推理服务等能力的一站式平台软件。OMAI平台以支持高性能计算技术和大规模分
-
深度学习简介
与传统的学习方法相比,深度学习方法预设了更多的模型参数,因此模型训练难度更大,根据统计学习的一般规律知道,模型参数越多,需要参与训练的数据量也越大。 20世纪八九十年代由于计算机计算能力有限和相关技术的限制,可用于分析的数据量太小,深度学习在模式分析中并没有表现出优异的识别性能。自从2006年,
-
PyTorch深度学习实战 | 深度学习框架(PyTorch)
实地执行,所以当用户的代码出现缺陷(bug)的时候,可以通过这些信息轻松快捷地找到出错的代码,不会让用户在调试(Debug)的时候因为错误的指向或者异步和不透明的引擎浪费太多的时间。 PyTorch的代码相对于TensorFlow而言,更加简洁直观,同时对于TensorFlow高
-
深度学习释义
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
-
深度学习之反向传播和其他的微分算法
代价函数的信息通过网络向后流动,以便计算梯度。计算梯度的解析表达式是很直观的,但是数值化地求解这样的表达式在计算上的代价可能很大。反向传播算法使用简单和廉价的程序来实现这个目标。反向传播这个术语经常被误解为用于多层神经网络的整个学习算法。实际上,反向传播仅指用于计算梯度的方法,而
-
深度学习之机器学习的挑战
机器学习的主要挑战是我们的算法必须能够在先前未观测的新输入上表现良好,而不只是在训练集上效果好。在先前未观测到的输入上表现良好的能力被称为泛化(generalization)。通常情况下,当我们训练机器学习模型时,我们可以访问训练集,在训练集上计算一些度量误差,被称为训练误差(training
-
深度学习之机器学习的挑战
机器学习的主要挑战是我们的算法必须能够在先前未观测的新输入上表现良好,而不只是在训练集上效果好。在先前未观测到的输入上表现良好的能力被称为泛化(generalization)。通常情况下,当我们训练机器学习模型时,我们可以访问训练集,在训练集上计算一些度量误差,被称为训练误差(training
-
分享深度学习的BERT和微调NLP模型
须从头开始训练的模型表现得更好。同样地,一个已经学会预测句子里的下一个单词的模型,也应该对人类语言模式有一定的了解。我们可能期望这个模型可以作为翻译或情感分析等相关任务的好的初始化模型。 预训练和微调在计算机视觉和自然语言处理中都已有了成功的应用。虽然预训练和微调在计算机视
-
机器学习以及深度学习
所谓“ 机器学习” , 是指利用算法使计算机能够像人一样从数据中挖掘出信息; 而“ 深度学习”作为“机器学习”的一个**子集**, 相比其他学习方法, 使用了更多的参数、模型也更复杂, 从而使得模型对数据的理解更加深人, 也更加智能。 传统机器学习是分步骤来进行的, 每一步的最优解不一定带来结果的最优解;
-
深度学习之超参数和验证集
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)。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 是另一个超参数。
-
深度学习介绍
学习目标 目标 知道深度学习与机器学习的区别了解神经网络的结构组成知道深度学习效果特点 应用 无 1.1.1 区别 1.1.1.1 特征提取方面 机器学习的特征工程步骤是要靠手动完成的,而且需要大量领域专业知识深度学习通常由多个层
-
深度学习必备数学知识之线性代数篇(附代码实现)
深入了解底层的算法机制和开发新的算法。从较低的层级来看,深度学习背后的一切都是以数学为基础的。因此,理解基础的线性代数对于探索深度学习和上手与深度学习相关的编程来说是必要的。深度学习中的核心数据结构由标量、向量、矩阵和张量组成。从编程的角度来说,我们只需运用这些知识就能解决所有基
-
机器学习与深度学习的未来趋势
机器学习和深度学习的未来蕴含着无穷的可能!越来越多的机器人不仅用在制造业,而且在一些其他方面可以改善我们的日常生活方式。医疗行业也可能会发生变化,因为深度学习有助于医生更早地预测或发现癌症,从而挽救生命。在金融领域,机器学习和深度学习可以帮助公司甚至个人节省资金,更聪明地投资,更
-
深度学习中的Normalization模型
很快被作为深度学习的标准工具应用在了各种场合。BN**虽然好,但是也存在一些局限和问题,诸如当BatchSize太小时效果不佳、对RNN等**络无法有效应用BN等。针对BN的问题,最近两年又陆续有基于BN思想的很多改进Normalization模型被提出。BN是深度学习进展中里程
-
机器学习之深度学习
有趣的是,二十一世纪初,连接主义学习又卷上重来,掀起了以 “深度学习”为名的热潮.所谓深度学习,狭义地说就是 “很多层 " 的神经网络.在若干测试和竞赛上,尤其是涉及语音、 图像等复杂对象的应用中,深度学习技术取得了优越性能以往机器学习技术在应用中要取得好性能,对使用者的要求较高
-
深度学习之深度前馈网络
它接收的输入来源于许多其他的单元,并且计算它自己的激活值。使用多层向量值表示的想法来源于神经科学。用于计算这些表示的函数 f(i)(x) 的选择,也或多或少地受到神经科学观测的指引,这些观测是关于生物神经元计算功能的。然而,现代的神经网络研究受到更多的是来自许多数学和工程学科的
-
深度学习的现实应用《深度学习与Mindspore实践》今天你读书了吗?
换成文本的技术。从早期的基于模板的方法到严格的统计模型,再到如今的深度模型,语音识别技术已经经历了几代的更迭。 图像识别图像识别是深度学习最成功的应用之一。深度学习在计算机视觉领域的突破发生在2012年,Hinton教授的研究小组利用卷积神经网络架构(AlexNet)大幅降低了ImageNet