- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习原理
深度学习——RNN（3）
n_hidden2), tf.nn.rnn_cell.BasicRNNCell(num_units=n_hidden3)
74650发布于 2018-06-06 - 来自专栏人工智能LeadAI
Keras深度学习框架配置
项目代码是在Windows 7上运行的，主要用到的Matlab R2013a和Python，其中Matlab用于patch的分割和预处理，卷积神经网络搭建用到了根植于Python和Theano的深度学习框架 Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU，用起来特别简单，适合快速开发。 ，也就是说可以运行你的深度学习代码啰：) 至于说找keras的源代码，去这儿里随便挑一个，一般就用mnist_cnn.py。 不要装Python3.5.1，不然后续的深度学习配置各种坑。在Python的官方主页下载Python安装包。 安装深度学习框架Keras 上面都是基本的准备东西，要是你已经跪在前面了，那。。只能。。自求多福：) 啰，我现在要开始正式讲keras怎么用了！
2.3K40发布于 2018-03-09 - 来自专栏陶陶计算机
深度学习之环境配置
我们都知道，在学习计算机的过程中，总会出现各种各样的问题，这一点我想计算机专业的伙伴们感同身受；更别说在学习深度学习的过程中了。 接下来，就介绍一下几个深度学习过程中几个典型而又容易范的错误。 而cudatoolkit则是cuda相关的工具包。 以上四者之间必须有个版本对应和匹配的问题。 _get_available_gpus()) 如果能输出下述包含GPU的信息的话那说明当前的keras版本也是支持GPU的 [在这里插入图片描述] Torch的话安装到时候一般都会根据官网的配置要求来 如果你没有得到上述的输出结果，那么需要重新安装带gpu版本的tensorfow或者keras： pip install tensorflow-gpu conda install keras-gpu （3） 最后再介绍一个免费的GPU资源 如果大家没有GPU资源又或者嫌配置太糟心，我们还是有免费的GPU可以褥的。
84120编辑于 2022-05-12 - 来自专栏数据科学（冷冻工厂）
轻松配置深度学习模型 ?
由于所有模块都需要大量参数和设置，因此管理深度学习模型可能很困难。训练模块可能需要诸如 batch_size 或 num_epochs 之类的参数或学习率调度程序的参数。 data_tensors_path = "data_tensors/" [model] embedding_dim = 256 num_blocks = 5 num_heads_in_block = 3 'vocab_size': 5589}, 'model': {'embedding_dim': 256, 'num_blocks': 5, 'num_heads_in_block': 3} 'learning_rate': 0.001, 'num_epochs': 10}} 如果您正在使用 W&B Tracking 或 MLFlow 等 MLOps 工具 MLOps 工具还可以管理模型的版本及其配置，但上述方法的简单性是独一无二的，并且需要对现有项目进行最少的更改。
48410编辑于 2023-08-10 - 来自专栏NLP算法工程师之路
如何配置深度学习系统
Anacodna相关操作 下载安装以及切换镜像 #下载和安装anaconda wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3- 5.2.0-Linux-x86_64.sh bash Anaconda3-5.2.0-Linux-x86_64.sh #切换到清华源,加快下载速度 wget https://tuna.moe/oh-my-tuna 深度学习环境创建 注意不需要手动配置cuda和cudnn,直接conda安装 TF环境 1.x推荐1.14.0版本 conda install tensorflow-gpu==1.14.0 #conda cuda10.0.130_cudnn7.6.3_0.tar.bz2 conda install pytorch-1.3.0-py3.6_cuda10.0.130_cudnn7.6.3_0.tar.bz2 从头配置
1.6K20发布于 2019-12-18 - 来自专栏有趣的Python和你
深度学习笔记|环境配置
最近又给自己来挖坑了，这次给大家带来的就是深度学习的笔记，这里没有复杂的算法推导，而是以代码为主，让大家也能通过深度学习完成一些有趣的项目。 参考书籍 《深度学习人工智能实践应用》 《西瓜书》 《21个项目玩转深度学习》 ps：无广告，只是手上刚好有这几本书。 适合人群 会python基础语法 数据分析会一点（数据需要预处理） 简单了解过神经网络 配置环境 创建虚拟环境 为了让项目相互独立，不同项目使用不同的Python环境是很重要的，这里使用的为anaconda 结束 自己也是刚开始看深度学习方面的书籍，如有错误，还望各位网友指出，感谢~
57730发布于 2018-12-28 - 来自专栏目标检测和深度学习
深度学习图像标注工具
对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： ▌Labelme Labelme适用于图像分割任务的数据集制作： ? save后将保持Object的一些信息到一个json文件中，如下： https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3. 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。 它来自下面的项目： https://github.com/frederictost/images_annotation_programme 除此之外，还有很多类似的工具，与上面的工具相比，并没有什么特色了
2.7K60发布于 2018-07-23 - 来自专栏AI研习社
深度学习的NLP工具
深度学习的NLP工具 ? 为什么最新的模型结果这么难以复现？为什么去年可以工作的代码和最新发布的深度学习框架不适配？为什么一个很直白的基线这么难以建立？ 在亚马逊云服务（AWS）上研究深度学习和自然语言处理之后，我发现这不是个例。重现NLP模型比计算机视觉模型难得多。数据预处理管道包括需要重要步骤，并且模型本身有很多可调节组件。 如果没有合适的工具，每次你开始新的项目，你都有遭遇全新问题的风险。 许多MXNet的贡献者和我曾经分享我们在做NLP时遇到的问题，并且每个人都有相似的故事，我们之间有很强的共鸣。 我们决定开发一个工具来帮助你复现最新的研究结果，并且简单的在Gluon中开发新模型。 一个主要原因是深度学习库的API会随时间变化。
90020发布于 2018-12-24 - 来自专栏paddle深度学习
paddle深度学习3 Tensor
【tensor简介】在Paddle中，paddle.Tensor是存储和变换数据的主要工具。Tensor与Numpy的多维数组非常相似。 Tensor还提供了GPU计算和自动求梯度等更多功能，这些使Tensor更适合深度学习。 Tensor】可以调用paddle.Tensor()类创建一个Tensor1.用numpy数组创建Tensorimport paddleimport numpy as npa=np.array([1,2,3] )a=paddle.Tensor(a)a2.用paddle.rand()方法创建随机Tensorimport paddlea=paddle.rand((2,3))apaddle.rand()会生成一个随机向量 ，传入的一个元组参数会作为向量的形状，可以用dtype参数指定元素类型3.用paddle.arange()方法生成Tensor这种方法类似于numpy.arange()，会生成一个等差数列向量import
34600编辑于 2024-05-19 - 来自专栏石云升
《深度工作》学习笔记（3）
深度工作很有效，但每个人能进入的程度不一样、时间不一样。这些都是需要刻意练习的。 深度工作的障碍之一：我们很容易产生一种冲动，将注意力转移到某种浮浅的事物中。大多数人能意识到这种冲动，但都是在事后。 这种工作哲学要求个人将时间分成两块，一块明确用于深度工作，另一块时间则做浮浅工作。在深度工作的时间里，双峰工作者会追求高强度、无干扰的专注。 第三种叫节奏哲学。 这种工作哲学是把深度工作和浮浅工作的时间分配，用一种严格的日程安排固定下来，也就是说，每天都要留出固定的时间用于深度工作。 遵循这种工作哲学的人往往事务繁忙，但具有极强的自控力，可以随时在浮浅工作和深度工作之间切换，见缝插针地利用时间。前一分钟还在和人在酒桌上把酒言欢，后一分钟就已经开始转入深度工作模式。不适合新手。 我的方法是找出自己每天工作效率最高的时间段，最佳工作状态，刻意营造这样的环境和创造这样的状态，让自己进入深度工作状态的概率更大。
28830编辑于 2022-08-25 - 来自专栏CSDN技术头条
深度学习入门之工具综述
【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文： 在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。 然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新的深度学习研究项目。 回馈提供工具的开源社区的一个方法是帮助他人评估和选择工具。 请注意这不是目前深度学习框架详尽的列表，更多的框架可以在这里找到。 Keras兼容性：Keras是实现快速深度学习原型的一个高水平库。我们发现它是让数据科学家轻松使用深度学习的一个非常好的工具。 如果你对深度学习感兴趣，建议你先评估团队成员的技术水平和项目需求。例如，对于一个使用Python开发图像识别应用的团队，建议使用文档丰富，性能不错，原型工具好的TensorFlow。
95160发布于 2018-02-12 - 来自专栏AI人工智能
深度学习工具一览
来源商业新知网，原标题：当今市场最具前景的深度学习工具一览 解决问题往往需要大量工具的支持，深度学习也不例外。 要说真有什么区别的话，那就是在不远的将来，用好这一领域的工具将愈发重要。 除了人才辈出，我们还见证着越来越多深度学习工具的诞生，它们有助于推进深度学习曲折的发展进程，增加其便利性与高效性。 随着这一进程的发展，我们也整理出了一份最佳深度学习工具图表。 研究深度学习生命周期 要想对高效便捷的深度学习工具做出更好的评估，我们应先了解下深度学习周期的大致情况。 如果没有合适的工具予以辅助，尤其是在许多工程师采用同样的深度学习数据管道进行作业时，这个过程很快便会变得盘根错节，扑朔迷离。 强推——深度学习工具一览 知识贵在分享，下面的图表简要地列举了当今市场最具前景的深度学习工具。 这些工具由深度学习工程师所研制，惠及所有乐于为深度学习这一超赞技术添砖加瓦的同道中人。
76030发布于 2019-04-25 - 来自专栏计算机视觉
深度学习500问——Chapter03：深度学习基础（3）
3.6.6 局部响应归一化作用 LRN是一种提高深度学习准确度的技术方法。LRN一般是在激活、池化函数后的一种方法。 而函数的英文注解中也说明了把 input 当成是 个 3 维的矩阵，说白了就是把 input 的通道数当作 3 维矩阵的个数，叠加的方向也是在通道方向。 计算上一层输出数据的标准差 3. 归一化处理，得到 其中， 是为了避免分母为0而加进去的接近于0的很小值。 4. 重构，对经过上面归一化处理得到的数据进行重构，得到 其中， 为可学习参数。 Weight Normalization相比Batch Normalization有以下三点优势： Weight Normalization 通过重写深度学习网络的权重W的方式来加速深度学习网络参数收敛 不需要额外的存储空间来保存 mini batch 的均值和方差，同时实现 Weight Normalization 时，对深度学习网络进行正向信号传播和反向梯度计算带来的额外计算开销也很小。
26410编辑于 2024-03-19 - 来自专栏深度学习与计算机视觉
深度学习图像标注工具汇总
https://blog.csdn.net/chaipp0607/article/details/79036312 对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： Labelme Labelme适用于图像分割任务的数据集制作： ? save后将保持Object的一些信息到一个json文件中，如下： https://github.com/wkentaro/labelme/blob/master/static/apc2016_obj3. 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。 它来自下面的项目： https://github.com/frederictost/images_annotation_programme 网页版的哦 除此之外，还有很多类似的工具，与上面的工具相比
2.2K20发布于 2019-05-26 - 来自专栏智能算法
深度学习入门之工具综述
Getting Started with Deep Learning: A REVIEW OF AVAILABLE TOOLS 作者： MATTHEW RUBASHKIN 翻译：冯斌 【摘要】本文评估了当前热门的深度学习工具 ，对于想进行深度学习开发的团队来说，可以参考一二。 然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新的深度学习研究项目。 回馈提供工具的开源社区的一个方法是帮助他人评估和选择工具。 Keras兼容性：Keras是实现快速深度学习原型的一个高水平库。我们发现它是让数据科学家轻松使用深度学习的一个非常好的工具。 如果你对深度学习感兴趣，建议你先评估团队成员的技术水平和项目需求。例如，对于一个使用Python开发图像识别应用的团队，建议使用文档丰富，性能不错，原型工具好的TensorFlow。
1K130发布于 2018-04-03 - 来自专栏全栈程序员必看
深度学习—3.Pytorch基础
dtype、shape、device、requires_grad、grad、grad_fn import torch #创建张量 #参数data：可以为列表，或者数组 t1=torch.tensor([3,5 tensor tensor([1, 2, 3, 6], dtype=torch.int32) 3、利用form_numpy创建张量，并修改和查看内存 import torch import numpy 999] 31348896 tensor tensor([1000, 2, 3, 999], dtype=torch.int32) 31348896 [1000 2 3 999 , 3.], [3., 3.]], grad_fn=<AddBackward0>) tensor([[27., 27.], [27., 27.]], grad_fn=<MulBackward0 requires_grad=True) #b=torch.randn(1,requires_grad=True)#偏执,要求梯度，才能回传 b=torch.zeros(1,requires_grad=True) #定义学习率
45530发布于 2021-10-08 - 来自专栏点云PCL
3D深度学习课程
课程讲师是Hao su ,主要介绍几何微分的概念、计算机几何图形学、视觉和机器学习中的应用，特别是深度学习部分。其中一半是讲师授课，一半是学生完成项目的演示，非常值得学习。 03 Stanford CS468: Machine Learning for 3D Data 该课程将探讨在3D数据分析和合成方面，有监督和无监督机器学习的最新算法。 04 MIT 6.838: Shape Analysis 该课程介绍分析几何数据所需的数学、算法和统计工具，以及在计算机图形学、计算机视觉、医学成像、机器学习、建筑等领域的应用。 本课程将学习几何分析和从这些数据库中检索三维形状的算法。研究的重点将是匹配、配准、识别、分类、聚类、分割和理解3D数据的方法。 直到最近，在这些特定领域采用深度学习的做法一直滞后，主要是因为数据的非欧几里得性质使得基本运算（如卷积）的定义变得相当难以捉摸。几何深度学习从这个意义上讲是将深度学习技术扩展到图形/流形结构数据。
1.4K30发布于 2019-07-30 - 来自专栏PyVision
深度学习3D合成
因此，近年来许多深度学习方法被提出，可以不依赖任何 3D 传感器，从可用的 2D 数据中合成 3D 数据。在我们深入研究这些方法之前，先了解下要处理的 3D 数据的格式。 ? 基于图的卷积神经网络 正如在前一节所看到的，大多数传统的基于自动编码器的深度学习方法已经利用点云和体素数据格式来合成 3D 数据。 基于 Pixel2Mesh 的真实世界图像重建 Pixel2Mesh 是一个基于图的端到端深度学习框架，它采用一个 RGB 彩色图像作为输入，并以更理想的摄像头坐标格式将2D 图像转换为3D 网格模型。 基于Transformer的深度结构 卷积神经网络具有端到端的学习能力，可以直接从数据中学习执行任务，不需要任何手工设计的视觉特征，因此被广泛应用于计算机视觉任务。 总结 在本文中，我们讨论了两种主要的 3D 合成方法，即卷积深度网络和基于 transformer 的深度网络。
1.6K21发布于 2021-01-26 - 来自专栏小小挖掘机
深度学习环境配置有哪些坑？
深度学习第一问是关于环境配置的。之前笔者也在深度学习60讲系列中讲到如何配置深度学习开发环境的问题：深度学习笔记15：ubuntu16.04 下深度学习开发环境搭建与配置。 而cudatoolkit则是cuda相关的工具包。 以上四者之间必须有个版本对应和匹配的问题。 使用Python虚拟环境时要注意的坑 一般来说，大家在共用实验室GPU服务器的时候为了避免环境污染都会各自建好虚拟环境，在虚拟环境下进行各自的深度学习实验。 rq=1 3. 那么需要重新安装带gpu版本的tensorfow或者keras： pip install tensorflow-gpu conda install keras-gpu 按照上述过程下来一般就会顺利配置好各深度学习框架版本
2.1K30发布于 2019-12-19 - 来自专栏Blog for ClancyCC
动手学深度学习安装环境配置
本文章基于李沐老师的《动手学深度学习》(pytorch版)，在此学习观礼膜拜。 https://zh-v2.d2l.ai/ 课程论坛讨论：https://discuss.d2l.ai/c/16Pytorch 论坛： https://discuss.pytorch.org/ 深度学习介绍 当前深度学习和机器学习（在数学上的）的可解释性不是很好，更多地将其认定为黑盒，在等待更好的学术进展。 环境安装与配置 本环境的安装共分为以下几步： 安装Miniconda并配置好环境变量：去Miniconda官网找到对应版本（我选的是Windows installers中的Python 3.8 Miniconda3 我推荐文章《CSDN博主「阿雪_」：跟李沐学AI 动手学深度学习 环境配置d2l、pytorch的安装 （windows环境、python版本3.7）》。 使用conda创建虚拟环境并激活。
2.7K30编辑于 2023-02-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号