检测到您已登录华为云国际站账号,为了您更好的体验,建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
之前好像有听人介绍说吴明辉的课程很不错,最近刚好在中国大学APP上看到他的一个人工智能相关的课程,看了一下确实很不错。课程名称叫做《深度学习应用开发 基于tensorflow的实践》。是一个入门级别的课程,不需要人工智能的基础,不需要太多的数学知识,也不需要什么编程经验。我觉得很
N)非常适合处理文本、语音、视频等时间序列数据样本。注意力在深度学习中可以大致理解为对于某一个向量关注的程度如何,这个向量可能表示的是图像中的某一局部区域或是句子中的某个词,使用注意力向量来估计关注的部分和其他元素之间的关系强弱,并将不同部分的值的和用注意力向量加权得到的结果作为
老师给了我们个任务,用mindSpore完成一个深度学习,求大佬指路,站内有什么方便的教程。要求不能是花卉识别、手写体数字识别、猫狗识别,因为这些按教程已经做过了(然而我还是不会mindSpore)。尽量简单,我们只要是个深度学习就能完成任务。
图神经网络 图是一种非常神奇的表示方式,生活中绝大多数的现象或情境都能用图来表示,例如人际关系网、道路交通网、信息互联网等等。相比于传统的图模型,图网络最大的优势在于它不只可以对一个节点进行语义表示。 可以把图神经网络看做将深度学习技术应用到符号表示的图数据上,或者说是从非结构化
用于序列数据的神经网络数据的一个非常常见的属性是具有顺序结构,例如视频中的帧、蛋白质的氨基酸序列或句子中的单词。开发神经网络模型来处理序列数据一直是过去几年来最广泛的研究领域之一。其中很大一部分是由自然语言处理任务的进展所推动,该领域的重点是让计算机读懂人的工作。这个领域的机器翻译和
有监督学习,无监督学习,半监督学习,强化学习。强化学习说的非常厉害,适用于下棋和游戏这一类领域,基本逻辑是正确就奖励,错误就惩罚来做一个学习。那么无监督学习的典型应用模式是什么呢?说出来之后你就会觉得无监督学习没有那么神秘了,那就是聚类。一个比较典型的例子就是超市里货架商品摆放,
2.5,学习率是0.01,那下一个尝试的点是距离前一个点2.5*0.01=0.0025的位置。(梯度是固定的,还是每走一步都会变的呢?)个人认为好的学习率,不应该是一个固定值,而应该是先大后小。也就是先大步快速的到达底部附近,再小步寻找最底部。学习率是学习开始之前就设置的,叫超参
y=wx+b里的w和b,也叫权重和偏差?在监督式学习中,机器学习算法通过以下方式构建模型:检查多个样本并尝试找出可最大限度的减少损失的模型。这一过程称为经验风险最小化损失函数有L1,L2。L1是绝对值,L2是均方误差MSE,那么2个场景做损失比较时会有L1一样,L2不一样的情况本来是
先探索一下tf2里读取出的数据。 每张图片的数据化表示是28*28=784个数值,每个数值的类型是numpy.uint8,uint8的取值范围是0-255, 这个可能就是所谓的256位图吧? 每张图片会有自己的标签,就是表示这张图片是数字0-9中的哪个。 另外用reshape重整了一下图像,比较有趣
还有一个是vggnet,他的问题是参数太大。深度学习的问题:1面向任务单一,依赖于大规模有标签数据,几乎是个黑箱模型。现在人工智能基本由深度学习代表了,但人工智能还有更多。。。然后就开始讲深度学习的开发框架。先整了了Theano,开始于2007年的加拿大的蒙特利尔大学。随着tens
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
数据不是收集的,是自己生成的,好吧~一个简单的例子学习用的没关系%matplotlib inline这个是为了让在jupyter在浏览器里能够显示图像。生成y=2x+1的随机数据,数据加背景噪声限值0.4生成等差数列,100个x_data=np.linspace(-1,1,100)y_data=2*x_data+1
n阶张量/n维数组流,表示张量数据流动/计算的过程。每一个张量有一个唯一的类型,运算的类型不匹配会报错,比如int和float32运算就不行,这个是比较严格的,可以先通过tf.cast()做类型转换常量定义的时候是可以按需求做类型自动转换、reshape的但是变量的定义中,类型还是根据初值来定的,而设定的需求类型并没有生效:v2=tf
2015)。 这种复杂性日益增加的趋势已将其推向逻辑结论,即神经图灵机 (Graves et al., 2014) 的引入,它能学习读取存储单元和向存储单元写入任意内容。这样的神经网络可以从期望行为的样本中学习简单的程序。例如,从杂乱和排好序的样本中学习对一系列数进行排序。这种自我编
上一节训练不出结果,都是nan的原因找到了,就是因为特征数据没有做归一化,那归一化是个什么概念呢?这里有一个很好的例子,做一道菜,准备好材料鸭、笋、....盐、酱油...水,再加上烹饪火候,可以做出一道菜。上面做菜的每一个要素,都可以看做一个特征变量,而重量可以看做是特征变量的值,比如鸭肉xxg
在1904年的时候,生物学家了解了神经元的结构然后在1945年的时候发明了神经元模型。那么这个神经元的模型真的可以模拟生物的神经功能吗,个人觉得有点奇妙,不过动物植物本来都是很奇妙的存在。所谓的全连接层,就是说某层的一个节点,和他上一层的所有节点都有连接。就像连接的边长不同,每条
这里谈到了独热编码one-hot,独热编码是用来表示标签数据的。前面已经知道了,标签数据很简单,就是表示0-9范围内的一个数字。 说实话独热编码有什么用处,真的还没有理解。还有什么欧式空间的概念啊,都很陌生。 看看代码吧。 ```python #独热编码示例。 x=[3,4] tf
可视化还是比较重要的,因为数据能在图形上看到,会更直观,更符合人的认知思维。 这里先来展示一下loss的可视化。 用matplot将列表值画出来,调用非常简单 plt.plot(loss_list) 横坐标是列表中的索引,纵坐标是列表值,也就是loss值。 可以看到,曲线在收敛了
这样是不好的,因为就像学习训练时将考试题都让你做过一遍,再让你考试就不公平了,类似于作弊了。 应该是考你运用学到的知识,来做没做过的题。 那比较好的做法呢,是有一些数据,把这些数据分一分, 大部分做训练、一小部分做验证、再分一小部分做测试。 下面是模型应用,也就是预测的代码 ```python
Learning,DL)属于机器学习的子类。它的灵感来源于人类大脑的工作方式,是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新的概念,可理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果,人们对神经元的连接方法以及激活函数等方面做出了