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
    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
    重置 确定

    • 《深度学习入门》笔记 - 21

      Linear Unit）函数出现和流行的时间都比较晚，但却是深度学习常用的激活函数。它非常简单： ReLU(x)=max(x,0) 是一个折线函数，所有负的输入值都变换成0，所有非负的输入值，函数值都等于输入值本身。ReLU函数在正值区域没有梯度消失的问题。最后，总结如下：

      开发者  >  其他
      作者： 黄生
      29
      1

    • AI前沿——深度学习技术

      别。开始的通过传感器(例如CMOS)来获得数据。然后经过预处理、特征提取、特征选择，再到推理、预测或者识别。最后一个部分，也就是机器学习的部分，绝大部分的工作是在这方面做的，也存在很多的paper和研究。而中间的三部分，概括起来就是特征表达。良好的特征表达，对最终算法的准确性起了

      开发者  >  其他
      作者： 运气男孩
      431
      2

    • 《深度学习入门》笔记 - 14

      27647116229.png) 观察箭头的方向，代表了处理的流程。通过线性回归模型和生物神经元的类比，可以将线性模型称作一个只包含一个神经元的神经网络。 同样的，logistic模型也可以用来进行类比，下图代表的就是预估y等于1的概率的处理过程： ![image.png](https://bbs-img

      开发者  >  其他
      作者： 黄生
      60
      2

    • 《深度学习入门》笔记 - 07

      也叫做目标函数或者损失函数，它值叫做预测误差或者模型误差。求它的最小值的方法有很多，最常见的方法是`求偏导数`，然后令这些偏导数等于零，解方程得到b和w的估计值。但是这个方法只适合少数结构比较简单的模型（比如线性回归模型），不能求解深度学习这类复杂模型的参数。 所以下面介绍的是深度学习中常用的优化算法：`梯度下降法`

      开发者  >  其他
      作者： 黄生
      156
      2

    • 浅谈深度学习Backbone

      e和head之间的，是为了更好的利用backbone提取的特征。Bottleneck：瓶颈的意思，通常指的是网网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bottle_num=256，指的是网络输出的数据的维度是256 ，

      开发者  >  其他
      作者： QGS
      82
      2

    • 深度学习之平滑先验

      别任务中的统计挑战。本书中，我们将介绍深度学习如何引入额外的（显示的和隐式的）先验去降低复杂任务中的泛化误差。这里，我们解释为什么单是平滑先验不足以应对这类任务。有许多不同的方法来隐式地或显式地表示学习函数应该是光滑或局部不变的先验。所有这些不同的方法都旨在鼓励学习过程能够学习出函数

      开发者  >  其他
      作者： 小强鼓掌
      1195
      1

    • 深度学习替代职业

      科技公司通过基于GAN的深度学习开发了一种名为“自动全身模型生成人工智能”的技术，他们完全是由人工智能虚拟而成，时尚品牌或广告代理商因而可以不用支付模特酬劳，也不用负担拍摄相关的人员、场地、灯光、设备、甚至是餐饮等成本，这意味着人工智能已经完全可以取代人类模特拍摄时尚宣传广告了。

      开发者  >  其他
      作者： 初学者7000
      959
      5

    • 华为云深度学习

      全托管基于容器的serverless服务，您无需关心升级与维护，安心搞业务简单易用预置多种网络模型、向导式开发界面、一键开启模型训练与部署开发工作量少自研MoXing分布式框架，让您的分布式训练代码开发量缩短近10倍训练速度快1000块GPU集群和0.8的线性加速比，原先一个月的模型训练

      开发者  >  其他
      作者： 斑馬斑馬
      331
      0

    • 深度学习之正则化

      机器学习中的一个核心问题是设计不仅在训练数据上表现好，并且能在新输入上泛化好的算法。在机器学习中，许多策略显式地被设计为减少测试误差（可能会以增大训练误差为代价）。这些策略被统称为正则化。我们将在后文看到，深度学习工作者可以使用许多不同形式的正则化策略。事实上，开发更有效的正则化策

      开发者  >  其他
      作者： 小强鼓掌
      527
      0

    • 深度学习之经验E

      是统计学家和机器学习研究者使用很久的数据集。它是150 个鸢尾花卉植物不同部分测量结果的集合。每个单独的植物对应一个样本。每个样本的特征是该植物不同部分的测量结果：萼片长度，萼片宽度，花瓣长度和花瓣宽度。这个数据集记录了每个植物属于什么品种，其**有三个不同的品种。        无监督学习算法(unsupervised

      开发者  >  其他
      作者： 小强鼓掌
      1060
      4

    • 机器学习与深度学习的比较

      数据依赖性性能是两种算法之间的主要关键区别。虽然，当数据很小时，深度学习算法表现不佳。这就是是深度学习算法需要大量数据才能完美理解的原因。但是，在这种情况下，我们可以看到算法的使用以及他们手工制作的规则。上图总结了这一事实。硬件依赖通常，深度学习依赖于高端机器，而传统学习依赖于低

      开发者  >  其他
      作者： @Wu
      541
      1

    • 深度学习框架MindSpore介绍

      动微分技术实现自动求导，解决这个复杂、关键的过程。深度学习框架的自动微分技术根据实现原理的不同，分为以Google的TensorFlow为代表的图方法，以Facebook的PyTorch为代表的运算符重载，以及以MindSpore为代表的源码转换方法（Source to Source，S2S自动微分技术），如图1

      开发者  >  其他
      作者： 运气男孩
      885
      2

    • 深度学习之经验风险

      最有效的现代优化算法是基于梯度下降的，但是很多有用的损失函数，如 0 − 1 损失，没有有效的导数（导数要么为零，要么处处未定义）。这两个问题说明，在深度学习中我们很少使用经验风险最小化。反之，我们会使用一个稍有不同的方法，我们真正优化的目标会更加不同于我们希望优化的目标。

      开发者  >  其他
      作者： 小强鼓掌
      628
      2

    • 深度学习训练过程

      区别最大的部分，可以看作是特征学习过程。具体的，先用无标定数据训练第一层，训练时先学习第一层的参数，这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由于模型容量的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学

      开发者  >  其他
      作者： QGS
      1054
      3

    • 深度学习之经验E

      是统计学家和机器学习研究者使用很久的数据集。它是 150 个鸢尾花卉植物不同部分测量结果的集合。每个单独的植物对应一个样本。每个样本的特征是该植物不同部分的测量结果：萼片长度，萼片宽度，花瓣长度和花瓣宽度。这个数据集记录了每个植物属于什么品种，其**有三个不同的品种。无监督学习算法 (unsupervised

      开发者  >  其他
      作者： 小强鼓掌
      1164
      3

    • 深度学习笔记之贡献

        总之，深度学习是机器学习的一种方法。在过去几十年的发展中，它大量借鉴了我们关于人脑、统计学和应用数学的知识。近年来，得益于更强大的计算机、更大的数据集和能够训练更深网络的技术，深度学习的普及性和实用性都有了极大的发展。未来几年充满了进一步提高深度学习并将它带到新领域的挑战和机遇。

      开发者  >  其他
      作者： 小强鼓掌
      856
      2

    • **Mac深度学习环境配置**

      看到自己下载好的应用程序，左上角“Applications on”应该指向的是“base (root)”，左边点击“Environments”就可以看到自己建立的虚拟环境和对应的包了。点击左下角的Create 即可创建一个新的虚拟环境。输入环境名称和python 的版本，点击create

      开发者  >  其他
      作者： @Wu
      591
      0

    • 深度学习之机器学习基础

      深度学习是机器学习的一个特定分支。要想学好深度学习，必须对机器学习的基本原理有深刻的理解。本章将探讨贯穿本书其余部分的一些机器学习重要原理。我们建议新手读者或是希望更全面了解的读者参考一些更全面覆盖基础知识的机器学习参考书，例如Murphy (2012) 或者Bishop (20

      开发者  >  其他
      作者： 小强鼓掌
      840
      2

    • 12本深度学习书籍推荐：有入门，有深度

      Beginners本书不涉及太多深度学习的数学知识，而是使用图表来帮助理解深度学习的基本概念和算法。作者使用简单的例子来显示深度学习算法的工作原理。通过这些例子一步一步组合来逐渐介绍算法更复杂的部分。这本书适合的读者面很广，从计算机初学者，到数据科学专家，到希望使用简单的方式向学生解释深度学习的教师。本

      开发者  >  博客
      作者： 开发者学堂小助
      发表时间： 2018-04-09 09:59:59
      14046
      0

    • 《深度学习笔记》的笔记（二）

      神经网络的结构从普通的全连接神经网络，发展到卷积神经网络、循环神经网络、自编码器、生成式对抗网络和图神经网络等各种结构， 但BP算法一直是神经网络的一个经典和高效的寻优工具。附神经网络早期一些发展历程1943年，WarrenMcCulloch和WalterPitts于《神经元与行

      开发者  >  其他
      作者： 黄生
      48
      3
    总条数： 10000
    点击加载更多