- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机工具
深度学习11：Transformer
和经典的 seq2seq 模型一样，Transformer 模型中也采用了 encoer-decoder 架构。上图的左半边用 NX 框出来的，就代表一层 encoder，其中论文里面的 encoder 一共有6层这样的结构。上图的右半边用 NX 框出来的，则代表一层 decoder，同样也有6层。
56710编辑于 2024-12-14 - 来自专栏信数据得永生
深度学习快速参考：11~13
您已经看到了很多深度学习的应用，并且发现自己正处于深层神经网络应用的最先进的钟形曲线的右边。 在下一章中，我将向您展示另一个高级主题的示例，即深度强化学习或深度 Q 学习，并向您展示如何实现自己的深度 Q 网络。 在此之前，请放松！ 十二、深度强化学习 在本章中，我们将以略有不同的方式使用深度神经网络。 我们将要构建一个智能体，而不是预测一个类的成员，估计一个值，甚至生成一个序列。 幸运的是，我们可以使用深度神经网络来近似Q函数。 这可能不会让您感到惊讶，因为您正在阅读一本深度学习书，因此您可能猜测深度学习必须在某个地方出现。 在这本书中，我们涵盖了深度学习的许多应用，从简单的回归到生成对抗网络。
99720编辑于 2023-04-23 - 来自专栏paddle深度学习
paddle深度学习11 线性回归
线性回归是一项经典的统计学习方法，广泛应用于预测连续值的问题。它通过拟合输入特征与输出标签之间的线性关系，来建立一个简单的预测模型。 message="This function will be removed in tqdm")#损失函数设置为MSE(均方差损失)criterion = paddle.nn.loss.MSELoss()#机器学习模型使用线性模型 ，其中输入维度为1，输出维度为1model=paddle.nn.Linear(1, 1)#使用的优化器为AdamW，学习率设置为0.02optimizer=paddle.optimizer.AdamW( paddle.nn.Linear(1,1)模型直接定义为一个线性层，输入输出维度都为1paddle.optimizer.AdamW表示使用AdamW优化器注意其中最重要的参数为learning_rate，表示学习率
38010编辑于 2025-01-15 - 来自专栏信数据得永生
TensorFlow 1.x 深度学习秘籍：11~14
GAN 已被深度学习之父之一 Yann LeCun 定义为“这是深度学习的突破”。 GAN 能够学习如何再现看起来真实的合成数据。 例如，计算机可以学习如何绘制和创建逼真的图像。 通过胶囊网络学习击败 MNIST 的最新结果 胶囊网络（或 CapsNets）是一种非常新颖的深度学习网络。 欣顿（Hinton）是深度学习之父之一，因此，整个深度学习社区很高兴看到胶囊技术取得的进步。 确实，CapsNets 已经在 MNIST 分类中击败了最好的 CNN，这真是……令人印象深刻！ 杰弗里·欣顿（Geoffrey Hinton）讨论了卷积神经网络的问题 十二、分布式 TensorFlow 和云深度学习 在本章中，我们将讨论使用分布式 TensorFlow 和云深度学习。 这样可以简化设置分布式深度学习集群的过程。 有兴趣的读者可以看看这里 十三、AutoML 和学习如何学习（元学习） 深度学习的成功极大地促进了特征工程的工作。
1.4K20编辑于 2023-04-23 - 来自专栏信数据得永生
TensorFlow 2 和 Keras 高级深度学习：11~13
与其他深度学习检测算法相比，SSD 可在现代 GPU 上实现实时检测速度，而表现不会显着下降。 SSD 还易于端到端训练。 考虑到监督学习中所需的昂贵且费时的标签，强烈地开发了无监督学习技术。 例如，在本章的语义分割数据集中，一个人花了大约 4 天的手工标签。 如果深度学习始终需要人工标记，那么它就不会前进。 6. 如本章最后一部分所述，由于所涉及的成本和时间，深度学习领域正在意识到监督学习的局限性。 下一章重点介绍无监督学习。 它利用了通信领域信息理论中使用的互信息概念。 7. 在深度学习中，最终目标是对输入数据和预先训练的模型执行特定任务，例如分类，翻译，回归或检测。 这些任务也称为下游任务。 通过最大化离散随机变量的互信息来进行无监督学习 深度学习中的经典问题是监督分类。
2K10编辑于 2023-04-26 - 来自专栏机器学习与统计学
【深度学习】官宣！YOLO11 全新发布！
2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 YOLOv11 是 YOLO 的最新版本，由美国和西班牙的 Ultralytics 团队开发。 YOLO 是一种用于基于图像的人工智能的计算机模 https://github.com/ultralytics/ultralytics Ultralytics YOLO11 概述 YOLO11 是Ultralytics 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。 跨环境适应性：YOLO11可以跨各种环境部署，包括边缘设备、云平台和支持NVIDIA GPU的系统。
6K10编辑于 2024-10-14 - 来自专栏数据科学与人工智能
笔记|李宏毅老师机器学习课程，视频11深度学习简介
我做学习笔记目的有三： 1 帮助自己学习和理解机器学习 2 记录机器学习的重要知识、方法、原理和思想 3 为传播机器学习做点事情 视频11：深度学习简介 一、深度学习是爆款 深度学习应用广泛，眼球十足 谷歌公司的深度学习应用，如下图： ? 二、深度学习的历史 深度学习的发展进程，如下图所示： ? 给我的几点启示： 1）简单到复杂的进阶 2）在不断解决问题中前进 3）大数据-大算法-大算力，造就今日的深度学习的繁荣 4）深度学习还有一系列问题待优化和解决 三、深度学习的框架 深度学习的框架，和机器学习一样 深度学习的deep的理解？ 它表示包括许多隐藏层。 ? 例如一些经典深度学习网络架构，如下图： ? 矩阵运算和神经网络结构 1）具体例子 ? 2）一般式 ? 深度学习的分解，如下图： ? 上图的几点启示 1）深度学习可以自动做特征提取，完成特征工程的任务 2）深度学习对数据的输入具有更大包容性，更接近原始层 3）深度学习的网络结构设计问题 FAQ，如何设计神经网络？
59620发布于 2021-04-22 - 来自专栏信数据得永生
TensorFlow Lite，ML Kit 和 Flutter 移动深度学习：6~11
所有这些认证方法均以深度学习为核心，并提供了一种在移动应用中实现安全性的最新方法。 它被开发为一种工具，可允许艺术家借助深度学习和强化学习算法来增强其音乐或艺术创作渠道。 八、深度神经网络 在本章中，我们将回顾机器学习，深度神经网络中最先进的技术，也是研究最多的领域之一。 微小的卷积内核的想法破坏了 LeNet 及其后继者 Alexnet 的最初想法，后者最初使用的过滤器高达11x11过滤器，但复杂得多且表现低下。 Cloud VM 上设置深度学习环境 在本节中，我们将提供有关如何在 Google Cloud Platform（GCP）计算引擎虚拟机（VM）实例以执行深度学习。
26.3K10编辑于 2023-04-27 - 来自专栏数据科学与人工智能
【深度学习】深度学习
深度学习的起源 深度学习（Deep Learning）是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习属于无监督学习。 深度学习的概念源于人工神经网络的研究。 深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。含多隐层的多层感知器就是一种深度学习结构。 深度学习正是希望通过模拟人脑多层次的分析方式来提高学习的准确性。 深度学习的动机 学习基于深度架构的学习算法的主要动机是： ①不充分的深度是有害的； 在许多情形中深度2就足够(比如logicalgates, formal[threshold] neurons
2.4K72发布于 2018-02-27 - 来自专栏罗西的思考
深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案
[源码解析] 深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案 目录 [源码解析] 深度学习分布式训练框架 horovod (11) --- on spark 本系列其他文章如下： [源码解析] 深度学习分布式训练框架 Horovod (1) --- 基础知识 [源码解析] 深度学习分布式训练框架 horovod (2) --- 从使用者角度切入 [源码解析] 深度学习分布式训练框架 horovod (3) --- Horovodrun背后做了什么 [源码解析] 深度学习分布式训练框架 horovod (4) --- 网络基础 & Driver [源码解析] 深度学习分布式训练框架 horovod (5) --- 融合框架 [源码解析] 深度学习分布式训练框架 horovod (6) --- 后台线程架构 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark [源码解析] 深度学习分布式训练框架 horovod
90930发布于 2021-07-13 - 来自专栏作图丫
深度学习~11+高分疾病相关miRNA研究新视角
背景介绍 目前，深度学习已经被广泛应用在对疾病的各种机制的研究中，今天小编为大家带来的这篇文章，提出了一种基于自动编码器（DFELMDA）的深度森林集成学习的新计算方法来预测 miRNA 与疾病的关联。 结果解析 01 基于自编码器的深度森林集成学习模型 在本研究中，提出了一个 DFELMDA 来预测 miRNA 与疾病的关联。 DFELMDA 分三个主要步骤进行：（i）提出了一种新的特征表示策略，以获得相同 miRNA-疾病关联的不同表示来训练模型，（ii）基于 miRNA 和疾病构建两个深度自编码器，用于提取低维特征表示（ 图 5 05 与不同分类器模型的比较 为了进一步评估该方法的性能，本研究将其与四种不同的分类模型[决策树、KNN、朴素贝叶斯和深度神经网络 (DNN)] 进行了比较。 然后，构建了两个基于 miRNA 和疾病的深度自编码器来提取低维特征表示。最后，通过 RF 预测两种类型的 miRNA-疾病关联，并将其组合成最终结果。
78720编辑于 2022-06-24 - 来自专栏python3
python学习(11)
位置参数 传入参数顺序 、个数必须一致 def add(a,b): return a + b
43510发布于 2020-01-14 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(11) | 循环神经网络及视觉应用
CV教程(1) | CV引言与基础 深度学习与CV教程(2) | 图像分类与机器学习基础 深度学习与CV教程(3) | 损失函数与最优化 深度学习与CV教程(4) | 神经网络与反向传播 深度学习与CV 教程(5) | 卷积神经网络 深度学习与CV教程(6) | 神经网络训练技巧 (上) 深度学习与CV教程(7) | 神经网络训练技巧 (下) 深度学习与CV教程(8) | 常见深度学习框架介绍 深度学习与 , MobileNet等) 深度学习与CV教程(11) | 循环神经网络及视觉应用 深度学习与CV教程(12) | 目标检测 (两阶段, R-CNN系列) 深度学习与CV教程(13) | 目标检测 (SSD 深度学习与CV教程(16) | 生成模型 (PixelRNN, PixelCNN, VAE, GAN) 深度学习与CV教程(17) | 深度强化学习 (马尔可夫决策过程, Q-Learning, DQN ) 深度学习与CV教程(18) | 深度强化学习 (梯度策略, Actor-Critic, DDPG, A3C)
1.3K41编辑于 2022-06-09 - 来自专栏人工智能
2017年深度学习领域阅读量最高的11篇文章
来源：Analytics Vidhya 智能观 编译 【智能观】本文是国外知名技术网站Analytics Vidhya总结的11篇深度学习领域最佳文章，如果你还没有看过，可以找来读一读；如果你还不熟悉深度学习 随着深度学习的发展，人们逐渐选择Python，因为它拥有R所没有的深度学习库和框架（到目前为止）。 如果你质疑，为什么要学习或应用深度学习，那就说明你已经OUT了。 目前，人们已经在相机中的人脸检测，移动设备上的语音识别以及汽车自动驾驶等领域应用了深度学习。 几分钟完成深度学习应用（使用Python） 使用工具：深度学习API和开源深度学习软件 等级：初级 深度学习是近年来数据科学中研究和讨论最多的话题。 值得注意的是，最近数据科学方面的一些突破源于深度学习。预计很多深度学习应用程序在不久的将来进入你的生活。
1.3K80发布于 2018-01-11 - 来自专栏智能大数据分析
【深度学习基础】深度学习导论
本专栏将开启机器学习之旅，并特别关注深度学习（deep learning，DL）的基础知识。深度学习是一套强大的技术，它可以推动计算机视觉、自然语言处理、医疗保健和基因组学等不同领域的创新。 数据集的由小变大为现代深度学习的成功奠定基础。在没有大数据集的情况下，许多令人兴奋的深度学习模型黯然失色。就算一些深度学习模型在小数据集上能够工作，但其效能并不比传统方法高。 深度强化学习（deep reinforcement learning）将深度学习应用于强化学习的问题，是非常热门的研究领域。 四、起源 为了解决各种各样的机器学习问题，深度学习提供了强大的工具。虽然许多深度学习方法都是最近才有重大突破，但使用数据和神经网络编程的核心思想已经研究了几个世纪。 虽然深度学习是机器学习的一个子集，但令人眼花缭乱的算法和应用程序集让人很难评估深度学习的具体成分是什么。这就像试图确定披萨所需的配料一样困难，因为几乎每种成分都是可以替代的。
56810编辑于 2025-01-22 - 来自专栏阿泽的学习笔记
深度学习的深度学习路程
MyEncyclopedia 公众号主浙大本硕毕业后在BAT做资深工程开发，精通Java，算法和大数据开发，本可以靠着工程能力成为P9，但出于对AI的强烈兴趣，在业余时间，自学多年，从理论到实践，并最终转行到知名公司任资深机器学习岗 MyEncyclopedia 公众号提炼自己在AI多个领域的学习心得体会：深度学习，强化学习，统计机器学习，算法与工程实现。同时，用上述多个视角来全面看待问题，坚持从第一性原理出发理解推导。 目前，MyEncyclopedia 系列文章包括 深度学习论文解析 深度强化学习实践和理论 基础统计和统计机器学习 多维度思考算法题 动手学 Sutton 强化学习教程 将来，会逐渐完善已有系列并涉及 GNN，NLP，CV，KG，RL 方向的前沿论文和动手实践，并致力于寻求联系 深入数学理论，进一步用动画来可视化，建立直觉的联系 创意编程，用深度学习，强化学习实践cool idea 如果你也想更广更深的学习深度学习和算法的话
1.4K10发布于 2021-07-06 - 来自专栏Brian
深度学习笔记-深度学习实战
深度学习实战 前面总结了吴恩达的深度学习课程笔记，博主把后续的深度学习课程笔记总结记录到个人博客里面，以供学习和交流使用。今天总结的是深度学习的超参数调试、正则化和梯度检验。 改善神经网络 依次通过数据集、偏差方差、正则化、梯度爆炸和消失来掌握深度学习的基础理论。 Demo 假如我们现在识别一个cat的图片，人识别的错误率为0.001%，我们在train和dev的的错误率为： 1.高方差 Train set error: 1% Dev set error: 11% ，深度学习网络是如何来实现L2正则化的呢？ 深度学习算法采用BP进行逐步迭代求解参数w和b，那么我们加入正则化后如何进行处理呢？
1.7K60发布于 2018-06-13 - 来自专栏ShowMeAI研究中心
深度学习教程 | 深度学习概论
显然，AI的各个分支中，发展的最为迅速的就是深度学习。因此现在，深度学习是在科技世界中广受欢迎的一种技术。 图像风格转换 对应的ShowMeAI总结文章为： 10.卷积神经网络解读 11.经典CNN网络实例详解 12.CNN应用：目标检测 13.CNN应用：人脸识别和神经风格转换 1.5 第五门课要点 专项课程中第 推荐文章 深度学习教程 | 深度学习概论 深度学习教程 | 神经网络基础 深度学习教程 | 浅层神经网络 深度学习教程 | 深层神经网络 深度学习教程 | 深度学习的实用层面 深度学习教程 | 神经网络优化算法 深度学习教程 | 网络优化：超参数调优、正则化、批归一化和程序框架 深度学习教程 | AI应用实践策略（上） 深度学习教程 | AI应用实践策略（下） 深度学习教程 | 卷积神经网络解读 深度学习教程 | 经典CNN网络实例详解 深度学习教程 | CNN应用：目标检测 深度学习教程 | CNN应用：人脸识别和神经风格转换 深度学习教程 | 序列模型与RNN网络 深度学习教程 | 自然语言处理与词嵌入
3.3K51编辑于 2022-04-15 - 来自专栏算法微时光
深度学习之初识深度学习
注：本文内容摘自书籍<<Python深度学习 >> 深度学习的优势 深度学习从数据中进行学习时有两个基本特征: 第一,通过渐进的、逐层的方式形成越来越复杂的表示; 第二,对中间这些渐进的表示共同进行学习 总之,这两个特征使得深度学习比先前的机器学习方法更加成功。 梯度提升机,用于浅层学习问题;深度学习,用于感知问题。 为什么是深度学习,为什么是现在 深度学习用于计算机视觉的两个关键思想,即卷积神经网络和反向传播,在 1989 年就已经为人们所知。 此外,深度学习行业已经开始超越 GPU,开始投资于日益专业化的高效芯片来进行深度学习。 参考 书籍<<Python深度学习 >>
1.2K20发布于 2020-04-23 - 来自专栏算法微时光
深度学习之初识深度学习
什么是深度学习（Deep Learning） 人工智能、机器学习与深度学习 人工智能诞生于 20 世纪 50 年代,当时计算机科学这一新兴领域的少数先驱开始提出疑问:计算机是否能够“思考” 我们今天仍在探索这一问题的答案 因此,人工智能是一个综合性的领域,不仅包括机器学习与深度学习,还包括更多不涉及学习的方法。 深度学习是机器学习的一个分支领域:它是从数据中学习表示的一种新方法,强调从连续的层(layer)中进行学习,这些层对应于越来越有意义的表示。 “深度学习”中的“深度”指的并不是利用这种方法所获取的更深层次的理解,而是指一系列连续的表示层。 数据模型中包含多少层,这被称为模型的深度(depth)。 参考 <<Python深度学习 >> 神经网络 深度学习入门：一句话告诉你什么是神经网络（CNN,RNN,DNN）
1.2K10发布于 2020-04-23
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