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
  • 深度学习入门》笔记 - 21

    Linear Unit)函数出现和流行时间都比较晚,但却是深度学习常用激活函数。它非常简单: ReLU(x)=max(x,0) 是一个折线函数,所有负输入值都变换成0,所有非负输入值,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问题。最后,总结如下:

    作者: 黄生
    28
    1
  • 动手学深度学习:优化与深度学习关系

    练出十分有效深度学习模型。小结由于优化算法目标函数通常是一个基于训练数据集损失函数,优化目标在于降低训练误差。由于深度学习模型参数通常都是高维,目标函数鞍点通常比局部最小值更常见。练习对于深度学习中优化问题,你还能想到哪些其他挑战?本文摘自《动手学深度学习》动手学深度学习作者:阿斯顿·张(Aston

    作者: 且听风吟
    发表时间: 2019-09-04 09:40:07
    6962
    0
  • 深度学习之正则化

    机器学习中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正则化策略。事实上,开发更有效正则化策

    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数据集。它是150 个鸢尾花卉植物不同部分测量结果集合。每个单独植物对应一个样本。每个样本特征是该植物不同部分测量结果: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**有三个不同品种。        无监督学习算法(unsupervised

    作者: 小强鼓掌
    1060
    4
  • 深度学习笔记之特性

            深度学习是通向人工智能途径之一。具体来说,它是机器学习一种,一种能够使计算机系统从经验和数据中得到提高技术。我们坚信机器学习可以构建出在复杂实际环境下运行AI系统,并且是唯一切实可行方法。深度学习是一种特定类型机器学习,具有强大能力和灵活性,它将大千

    作者: 小强鼓掌
    929
    1
  • 分享基于立体视觉深度估计深度学习技术研究

    种架构所有方法之间异同。其分析角度包括训练数据集、网络结构设计、它们在重建性能、训练策略和泛化能力上效果。对于一些关键方法,作者使用了公开数据集和私有数据进行总结和比较,采用私有数据目的是测试各类方法在全新场景下泛化性能。这篇论文能够为研究深度立体匹配研究人

    作者: 初学者7000
    580
    2
  • 深度强化学习

    深度强化学习是人工智能最有趣分支之一。它是人工智能社区许多显着成就基石,它在棋盘、视频游戏、自动驾驶、机器人硬件设计等领域击败了人类冠军。深度强化学习利用深度神经网络学习能力,可以解决对于经典强化学习(RL)技术来说过于复杂问题。深度强化学习比机器学习其他分支要复杂得多

    作者: QGS
    465
    1
  • 深度学习-语义分割

    而,我们可以轻松地通过重叠方式观察到每个目标。argmax方式也很好理解。如上图所示,每个通道只有0或1,以Person通道为例,红色1表示为Person像素,其他像素均为0。其他通道也是如此,并且不存在同一个像素点在两个以上通道均为1情况。因此,通过argmax就

    作者: @Wu
    642
    0
  • 部署深度学习模型

    虽然modelarts能够帮助我们在线上完成深度学习模型,但是训练好深度学习模型是怎么部署

    作者: 初学者7000
    875
    3
  • 深度学习数据收集

    深度学习需要大量数据集,但是现实是只有零星数据,大家有什么收集数据经验和经历,还有什么收集数据好办法

    作者: 初学者7000
    745
    3
  • 深度学习笔记之理解

    我们今天知道一些最早学习算法,是旨在模拟生物学习计算模型,即大脑怎样学习或为什么能学习模型。其结果是深度学习以人工神经网络 (artificial neural network, ANN) 之名而淡去。彼时,深度学习模型被认为是受生物大脑(无论人类大脑或其他动物大脑)所启发

    作者: 小强鼓掌
    826
    2
  • 深度学习笔记》笔记(二)

    神经网络结构从普通全连接神经网络,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一个经典和高效寻优工具。附神经网络早期一些发展历程1943年,WarrenMcCulloch和WalterPitts于《神经元与行

    作者: 黄生
    47
    3
  • 深度学习库 JAX

    ow优势深度学习框架。 JAX 是 Google Research 开发机器学习库,被称为“在 GPU/TPU上运行具有自动微分功能Numpy”,该库核心是类似 Numpy 向量和矩阵运算。我个人认为,与Numpy和PyTorch/TensorFlow最大不同在于J

    作者: QGS
    7165
    3
  • 深度学习修炼(六)——神经网络分类问题

    当面对更多特征而样本不足时,线性模型往往会过拟合。相反,当给出更多样本而不是特征,通常线性模型不会过拟合。不幸是,线性模型泛化可靠性是由代价。简单地说,线性模型没有考虑到特征之间交互作用。对于每个特征,线性模型都必须指定正或负权重。 泛化小和灵活性之间这种基本权

    作者: ArimaMisaki
    发表时间: 2022-08-09 15:48:10
    263
    0
  • 深度学习历史

    Some sources point out that Frank Rosenblatt developed and explored all of the basic ingredients of the deep learning systems of today

    作者: liupanccsu
    发表时间: 2022-08-04 01:52:38
    166
    0
  • 分享深度学习算法——无监督室内深度估计块匹配和平面正则化

    提出了一个新无监督室内场景下深度估计网络P2Net,其创新点在于提出了两种新式无监督损失函数,论文发表在ECCV2020上。传统无监督损失函数是以像素点为单位图像重构损失,以及边缘敏感梯度平滑损失。作者发现只在每个像素点处计算图像重构损失得到特征表示并不够鲁棒,由此提

    作者: 初学者7000
    1060
    1
  • 深度学习之噪声

    Dropout另一个重要方面是噪声是乘性。如果是固定规模加性噪声,那么加了噪声 ϵ 整流线性隐藏单元可以简单地学会使 hi 变得很大(使增加噪声 ϵ 变得不显著)。乘性噪声不允许这样病态地解决噪声鲁棒性问题。另一种深度学习算法——批标准化,在训练时向隐藏单元引入加性和乘

    作者: 小强鼓掌
    1044
    3
  • 深度学习概览

    HCIA-AI V3.0系列课程。本课程主要讲述深度学习相关基本知识,其中包括深度学习发展历程、深度学习神经 网络部件、深度学习神经网络不同类型以及深度学习工程中常见问题。

  • 深度学习中Attention机制

    Attention,即Attention输出向量分布是一种one-hot独热分布或是soft软分布,直接影响上下文信息选择。加入Attention原因:1、当输入序列非常长时,模型难以学到合理向量表示2、序列输入时,随着序列不断增长,原始根据时间步方式表现越来越差,由于原始时间步模型设计结构有缺

    作者: 玉箫然
    1034
    0
  • 深度学习笔记》笔记(一)

    model)计算执行方向如下。感觉和线性回归很像呀。 但据说感知机模型不能用于线性回归问题,因为它只关注分类问题,而线性回归问题涉及到回归问题?对于线性不可分情况,在感知机基础上一般有两个解决方向。 线性不可分是指一组线性数据点,这些数据点上无法划分一条直线来分开类别内所有数据

    作者: 黄生
    42
    4