- 综合排序
- 最热优先
- 最新优先
- 来自专栏石云升
《深度工作》学习笔记（6）
1、人不能一直保持深度工作，人的精力毕竟有限。通过给自己一段安逸的不消耗精力的时间来调整自己的状态。 但未完成的任务，会吸引我们的注意力。导致我们注意力的浪费。这种效应又被叫为”蔡加尼克效应“。 现在很多协同工具都会有任务进度的展示。工作时，努力工作。休息时间，就好好放松休息。掌握了精力复原能力的你，效率一定会有突破。 2、每个人都有工作习惯，与其在工作中抽时间专注，不如在专注中抽时间分心。 一个好的生活习惯能让你更快、更久的进入深度工作。当然要做到这个很难，你得有规划分心的能力，具体到行为上，就是锻炼自己在专注时间里刻意的不去做分心的事。比如查看邮件，回复微信等。 在深度工作的书里讲的是用扑克牌来隐射，通过记住每一张扑克牌对应的人或者物，再通过这些人或者物来记忆生活中的人或物。场景越夸张越容易记忆。
32230编辑于 2022-08-25 - 来自专栏祥子的故事
《深度学习》第6章
chapter6 Deep Feedforward Networks 6.1-6.3节主要讲的是前向神经网络，前言主要讲为什么要用神经网络；6.1节举例说明线性的无法解释XOR学习，非线性的可以很好解释 ，引出神经网络的介绍；6.2节讲述基于梯度的学习；6.3节说的是隐藏层，主要是介绍不同的激活函数。 下面关于ϕ(x)\phi(x)的选择有3个技巧： kernel machine.问题是训练效果好，测试效果差； 采用手动调整的方式来学习ϕ(x)\phi(x)。 采用深度学习的策略来学习。 6.2 基于梯度的学习：采用梯度的方法来对代价函数进行优化 代价函数 采用交叉熵来定义训练数据与模型的预测数据的代价函数。
55750发布于 2019-02-18 - 来自专栏信数据得永生
深度学习快速参考：6~10
网格搜索对于深度学习并不是很实用。 除了最基本的深度神经网络，我们无法现实地探索所有可能参数的每个可能值。 最终，超参数搜索是一个经济问题，任何超参数搜索的第一部分都应考虑您的计算时间和个人时间预算，以试图找出最佳的超参数配置。 本章总结了深度学习的基础。 当然，您只能将其推到目前为止，但这是在存在少量数据的情况下防止过拟合的一个非常强大的工具。 迁移学习可以帮助您解决深度学习问题，尤其是计算机视觉问题，而涉及问题范围的数据和数据却很少。 在本章中，我们将讨论什么是迁移学习，什么时候应该使用它，最后讨论如何在 Keras 中进行迁移学习。 这是我们工具箱中最简单的向量化技术。 计数向量化的问题在于我们使用了很多根本没有太多意义的单词。
73020编辑于 2023-04-23 - 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。 为什么我们需要在 TOML 中进行配置？ 使用 TOML 存储 ML 模型的模型/数据/部署配置有两个优点： 在单个文件中管理所有配置：使用 TOML 文件，我们可以创建不同模块所需的多组设置。 使用大多数 VM 上可用的 vim 或 nano 可以轻松编辑单个配置文件。 ❞ 我们如何从 TOML 读取配置？ '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
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。 cudnn是nvidia打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cudnn不是必须的，但是一般会采用这个加速库。 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 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
84120编辑于 2022-05-12 - 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： ? 它来自于下面的项目： https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。 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。 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。 import gluonnlp as nlp # Load GloVe word embeddings glove = nlp.embedding.create('glove', source='glove.6B
90020发布于 2018-12-24 - 来自专栏信数据得永生
PyTorch 深度学习实用指南：6~8
从某种意义上说，我们通过要求网络做某事来欺骗网络，但是网络必须在不了解自己正在学习的情况下学习我们的需求。 生成网络已经在不同的深度学习领域，特别是在计算机视觉领域显示出了可喜的成果。 在本章中，我们将使用一种称为强化学习的方法来制定这种计算学习方法。 它与本书中介绍的其他类型的深度学习算法非常不同，并且本身就是一个广阔的领域。 深度 Q 学习 深度 Q 学习算法使用神经网络来解决 Q 学习问题。 它对于连续空间的强化学习问题非常有效。 也就是说，任务不会结束。 前面我们讨论了值函数（V）和操作值函数（Q）。 这是深度学习的更多物理应用之一。 在下一章和最后一章中，我们将着眼于生产我们的 PyTorch 模型，以便您可以在任何框架或语言上运行它们，并扩展您的深度学习应用。 ONNX 定义了深度学习图所需的基本运算符和标准数据类型。
1.4K20编辑于 2023-04-27 - 来自专栏华章科技
详解 6 大主流深度学习框架
导读：近几年，随着深度学习的爆炸式发展，相关理论和基础架构得到了很大突破，它们奠定了深度学习繁荣发展的基础。这其中涌现了几个著名的深度学习平台，本文将对这些平台进行简要介绍。 03 MXNet MXNet是亚马逊首席科学家李沐带领团队开发的深度学习框架，拥有类似Theano和TensorFlow的数据流图，为多GPU架构提供了良好的配置，拥有类似Lasagne和Blocks Keras目前是最容易上手的深度学习框架，它提供了一致且简洁的API，能够极大减少一般应用下用户的工作量。 相比于深度学习框架，Keras更像是一个深度学习接口，它构建于第三方框架之上。 06 Caffe Caffe是基于C++编写的深度学习框架，作者是贾扬清，源码开放（具有Licensed BSD）并提供了命令行工具以及Matlab和Python接口。 本文摘编自《深度学习与目标检测：工具、原理与算法》，经出版方授权发布。（ISBN：9787111690344）
5K20编辑于 2022-03-11 - 来自专栏NowlNowl_AI
深度学习第6天：ResNet深度残差网络
什么是ResNet ResNet是一种用于图像识别的深度残差网络，是卷积神经网络的一种重要模型，ResNet开创性地引入了残差连接，解决了深层网络在训练过程中梯度弥散的问题，使深层模型的训练更加简便， 经原作者试验，在1000层左右的范围内，模型性能随层数增加而增加 直连通路的结果与卷积层结果直接相加，使得模型在训练过程中只需要拟合不同层网络输出值与输入值的残差值，而无需直接拟合网络输出值，大大降低了模型学习的难度
74400编辑于 2024-01-18 - 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： ? 它来自于下面的项目：https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。 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 - 来自专栏京程一灯
为ES6配置JavaScript测试工具
你该如何为ES6代码编写单元测试呢？又该如何配置测试工具以支持这些新特性呢？ 在本文中我会介绍如何配置那些最流行的测试工具 —— Mocha，Jasmine，Karma以及Testem —— 以便让它们能与ES6一起工作。我们还会看一看测试ES6代码的最佳实践。 配置测试工具 在配置好了必要的预备条件之后，我们现在可以开始着手配置测试工具了。 接下来的部分我们会详细介绍如何配置各个工具。再之后，我们会着重介绍如何编写测试。 ES6 imports 在测试中使用ES6的import也是可行的。切记：测试代码也是代码。既然我们已经配置好了测试工具，任何在你应用中使用的特性也都可以在测试代码中使用。 总结 测试ES6代码很简单，只需要给工具做一点点配置就可以了。在未来ES6得到更好的支持以后，你就可以摆脱这些配置了，除非你想通过Babel实现其它目的(比如支持ES7)。
4.1K20发布于 2019-03-27 - 来自专栏AiCharm
深度学习经典网络解析：6.GoogLeNet
1.背景介绍 GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果， 它拥有多个不同尺度的kernels，每一个尺度的kernel会学习不同的特征，把这些不同kernels学习到的特征汇聚给下一层，能够更好的实现全方位的学习。 GoogLeNet网络详细配置如下： 网络的最后几层是AveragePool、Dropout、Liner和Softmax。可能是全连层参数太多，网络深度增加了以后，难以接受吧。 这两个AC在训练的时候也跟着学习，同时把自己学习到的梯度反馈给网络，算上网络最后一层的梯度反馈，GoogLeNet一共有3个“梯度提供商”，它确实提高了网络收敛的速度，因为梯度变大了。 深度学习经典网络解析：4.DenseNet 深度学习经典网络解析：2.AlexNet 深度学习经典网络解析：5.VGG
1.2K30编辑于 2023-05-15 - 来自专栏数说工作室
机器学习深度学习代码速查：6大工具库 &27种神经网络图览
Kailash Ahirwar，Mate Lab 联合创始人，Github的一位资深作者，也是一位活雷锋，近日在其Github个人主页上发表了一个机器学习/深度学习的代码速查表，包括： Keras Numpy Scikit-learn Scikit-learn 是 Python 上著名的机器学习工具库，可以快速实现数据预处理、交叉验证、数据可视化和各种机器学习算法。 （6）模型拟合 Scikit-learn 的建模特点是，先创建一个模型，设置好参数，比如my_svc： my_svc = SVC(kernel='linear') 在用这个创建的my_svc来拟合数据： 它提供高性能、多维度的数组对象，以及对这些数组进行运算的工具。速查代码： ? 6、Matplotlib Matplotlib是Python著名的绘图库，速查代码： ? 7、Neural Networks Zoo 作者提供了几乎所有类型的神经网络图： ?
2.5K51发布于 2018-04-04
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