- 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（5）
在深度工作的实践中我们会遇到很多问题，如何具体实践作者推荐了以下4个原则。 原则一、关注点放到极端重要的事情上。 正如《高效能人士的执行4原则》的作者所说的：“你想做的事情越多，完成的事情反而越少。 如果我们的目的是锻炼深度工作能力，那引领性指标就是”专注于极度重要目标上的深度工作状态时间“ 原则3：准备一个醒目的计分板 在团队内公开每个人的引领性指标，这个计分板可以制造一种竞争氛围，驱使他们专注于这些指标 每次深度工作结束之后，及时对比计划与实施之间的差距，以便更好的认知自己目前的能力，通过调整计划来认识自己，养成习惯。 我们经常对自己在固定时间内能完成多少工作不甚清晰，通过深度工作来认识到自己的产出能力，及时调整计划，才能逐步的提升。
43610编辑于 2022-08-25 - 来自专栏简书专栏
深度学习问题1-5
不可以,如果将参数全初始化为0,那同一隐层每个节点的值都相同,反向传播权值更新也相同,这样每层隐层的神经元都相同,学习失败。 3. 多层感知机表示异或逻辑时最少需要几个隐层? 5.写出多层感知机的均方误差和交叉熵损失函数？ 交叉熵损失函数用于分类问题，公式为： ?
62930发布于 2018-10-09 - 来自专栏信数据得永生
深度学习快速参考：1~5
一、深度学习的基础 欢迎使用《深度学习快速参考》！ 在本书中，我将尝试使需要解决深度学习问题的数据科学家，机器学习工程师和软件工程师更容易使用，实用和使用深度学习技术。 我们将在本章介绍以下主题： 深度神经网络架构 深度学习的优化算法 深度学习框架 构建用于深度学习的数据集 深度神经网络架构 深度神经网络架构的结构可能会因网络的应用而有很大差异，但它们都有一些基本组件。 深度学习框架 虽然仅使用 Python 的numpy从头开始构建和训练深度神经网络是绝对可能的，但这将花费大量的时间和代码。 在几乎每种情况下，使用深度学习框架都更加实用。 此处提供了执行此操作的代码供您参考： from keras.models import load_model model = load_model("regression_model.h5") 总结 当您考虑深度学习时 在现实生活中，我很少使用深度学习作为结构化数据问题的第一个解决方案。 我将从可能可行的最简单模型开始，然后根据问题的需要迭代进行深度学习。 当问题域包含图像，音频或文本时，我更有可能从深度学习开始。
1.5K10编辑于 2023-04-23 - 来自专栏机器学习原理
深度学习（5）——RBF算法简介
可以处理系统内难以解析的规律性，具有很好的泛化能力，并且具有较快的学习速度。 有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、 模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 由于对于每次输入，网络上的每一个权值都要调整，从而导致 全局逼近网络的学习速度很慢，比如BP网络。 神经网络遇到的问题 一般来讲，可以通过增加神经元和网络层次来提升神经网络的学习能力，使 其得到的模型更加能够符合数据的分布场景；但是实际应用场景中，神经网 络的层次一般情况不会太大，因为太深的层次有可能产生一些求解的问题 在DNN（深度神经网络）的求解中有可能存在两个问题：梯度消失和梯度爆炸；我们在求解梯 度的时候会使用到链式求导法则，实际上就是一系列的连乘，如果每一层都 小于1的话，则梯度越往前乘越小，导致梯度消失
2.3K30发布于 2018-07-06 - 来自专栏机器学习/数据可视化
Python深度学习精华笔记5：机器学习基础
公众号：机器学习杂货店作者：Peter编辑：Peter持续更新《Python深度学习》一书的精华内容，仅作为学习笔记分享。 图片本小节是第5篇：主要是介绍机器学习/深度学习的基础知识，主要包含：机器学习的多种形式评估机器学习的模型的规范化流程深度学习的数据准备数据预处理、特征工程解决过拟合问题处理机器学习问题的通用工作流程机器学习的四大分支监督学习监督学习 求解强化学习问题所使用的算法可分为策略搜索算法和值函数（value function）算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习。 # k折交叉验证k = 5num_validation_samples = len(data) // knp.random.shuffle(data)validation_scores = []for 使用人工智能模型预测：使用机器学习或深度学习模型来预测缺失值。这种方法需要大量的数据和计算资源，但可以获得更好的预测效果。
1K40编辑于 2023-09-09 - 来自专栏信数据得永生
PyTorch 深度学习实用指南：1~5
一、深度学习演练和 PyTorch 简介 目前，有数十种深度学习框架可以解决 GPU 上的任何种类的深度学习问题，那么为什么我们还需要一个呢？ 本书是对这一百万美元问题的解答。 在第 5 章，“序列数据处理”中的循环神经网络会话中给出的示例均基于此思想。 探索深度学习 自从人类发明了计算机以来，我们就将它们称为智能系统，但我们一直在努力增强其智能。 但是，随着深度学习的发展，弹出了另一个领域，称为深度强化学习，它将深度学习和强化学习的力量结合在一起。 现代强化学习使用深度网络进行学习，这与我们以前明确编码那些规则的旧方法不同。 》 三、深度学习工作流程 尽管深度学习正在从学术界向行业发展转变，并每天为数百万用户的需求提供动力，但该领域的新参与者仍在努力建立深度学习管道的工作流程。 注意 有关反卷积的更多信息，请参见论文《深度学习卷积算法指南》[5]或 GitHub 存储库[6]。
2.5K10编辑于 2023-04-27 - 来自专栏防止网络攻击
图像检测【YOLOv5】——深度学习
包括Conda、Python以及很多安装好的工具包，比如：numpy，pandas等，其中conda是一个开源包和环境管理器，可以用于在同一个电脑上安装不同版本的软件包，并且可以在不同环境之间切换，是深度学习的必备平台 5.最后要创建和激活一下环境： conda create -n py39 python=3.9是创建python3.9版本，名称为py39的环境。 （我当时吃了个午饭回来差不多刚刚好哈哈哈哈哈哈哈） 5.安装完成以后，会提示done，然后输入pip list，查看我们的包是否被安装，这里可以看到torch相关的包都安装了。 三.克隆YOLOv5. 1.点开链接：https://github.com/ultralytics/yolov5 Windows系统下载ZIP文件再解压后进入YOLOv5路径下运行： pip install /data/images/ --weights yolov5s.pt --conf 0.4 如果是第一次运行，会下载YOLOv5s.pt，速度会比较慢。
41510编辑于 2024-09-15 - 来自专栏算法channel
机器学习和深度学习的 5 个关键区别
尽管它们可能被称为“智能，“有些人工智能计算机系统不能自己学习；这就是机器学习和深度学习的用武之地。 让我们深入讨论机器学习和深度学习到底是什么，以及机器学习和深度学习的区别。 什么是机器学习？ 谷歌的语音识别和图像识别算法也使用深度学习。 正如机器学习被认为是人工智能的一种类型，深度学习通常被认为是机器学习的一种类型，有人称之为子集。 机器学习和深度学习的5个关键区别 1 人为干预 不像在机器学习系统中，人类需要根据数据类型（例如，像素值、形状、方向）识别和手工编码应用的特征，深度学习系统会试图在不需要额外人工干预的情况下学习这些特征 但是，使用深度学习程序，您将输入图像，通过训练，程序将一次性得到已识别对象和其在图像中的位置。 5 应用 考虑到上面提到的所有其他差异，您可能已经了解到机器学习和深度学习系统用于不同的应用程序。 机器学习与深度学习的未来趋势 机器学习和深度学习的未来蕴含着无穷的可能！越来越多的机器人不仅用在制造业，而且在一些其他方面可以改善我们的日常生活方式。
1.5K10发布于 2021-03-12 - 来自专栏用户7627119的专栏
机器学习和深度学习的 5 个关键区别
尽管它们可能被称为“智能，“有些人工智能计算机系统不能自己学习；这就是机器学习和深度学习的用武之地。 让我们深入讨论机器学习和深度学习到底是什么，以及机器学习和深度学习的区别。 什么是机器学习？ 谷歌的语音识别和图像识别算法也使用深度学习。 正如机器学习被认为是人工智能的一种类型，深度学习通常被认为是机器学习的一种类型，有人称之为子集。 机器学习和深度学习的5个关键区别 1 人为干预 不像在机器学习系统中，人类需要根据数据类型（例如，像素值、形状、方向）识别和手工编码应用的特征，深度学习系统会试图在不需要额外人工干预的情况下学习这些特征 但是，使用深度学习程序，您将输入图像，通过训练，程序将一次性得到已识别对象和其在图像中的位置。 5 应用 考虑到上面提到的所有其他差异，您可能已经了解到机器学习和深度学习系统用于不同的应用程序。 机器学习与深度学习的未来趋势 机器学习和深度学习的未来蕴含着无穷的可能！越来越多的机器人不仅用在制造业，而且在一些其他方面可以改善我们的日常生活方式。
46120编辑于 2022-09-21 - 来自专栏paddle深度学习
paddle深度学习5 向量的维度变换
squeeze()方法与unsqueeze()方法正好相反，它的作用是减少一个维度
50000编辑于 2025-01-11 - 来自专栏相约机器人
2019年5项深度学习研究论文
作者 | http://rubikscode.net/ 来源 | Medium 编辑 | 代码医生团队 对于整个深度学习和机器学习来说，今年是重要的一年。事情正在迅速发生，这些技术的应用数量正在增加。 克服了鸿沟，深度学习处于早期多数阶段。在这个疯狂的世界中保持最新状态的最佳方法是阅读有关该主题的重要论文。在本文中，将重点介绍今年产生重大影响的5篇论文。 source=post_page-----1ec363f29e85---------------------- 网络修剪是深度学习的一个有趣的领域。 在本章中，探索了一篇有趣的论文，该论文利用了深度学习技术。通常，由于较大的物体运动或遮挡，插值的质量会降低。在本文中，作者使用深度学习通过探索深度信息来检测遮挡。 本质上，DAIN通过基于光流和局部插值内核合并输入帧，深度图和上下文特征来构造输出帧。 结论 在本文中，有机会看到了一些有趣的论文以及在深度学习领域取得的进步。
91130发布于 2019-12-19 - 来自专栏磐创AI技术团队的专栏
干货 | 5个常用的深度学习框架
在本文中，我将介绍5个超级有用的深度学习框架，同时比较每个框架，以了解我们何时何地可以使用哪个框架。 目录 一、什么是深度学习框架 二、TensorFlow 三、Keras 四、PyTorch 五、Caffe 六、DeepLearning4j 七、比较这些深度学习框架 一、什么是深度学习框架 让我们用一个例子来理解这个概念 以下是良好深度学习框架的一些主要特征： 1. 针对性能进行了优化 2. 易于理解和编码 3. 良好的社区支持 4. 并行化进程以减少计算 5. 时间序列分析 5. Caffe的主要优势在于，即使您没有强大的机器学习或微积分知识，您也可以构建深度学习模型。Caffe主要用于构建和部署用于移动电话和其他计算受限平台的深度学习模型。 5.
2.9K30发布于 2019-05-05 - 来自专栏AiCharm
深度学习经典网络解析：5.VGG
自从2012年AlexNet在ImageNet Challenge大获成功之后，深度学习在人工智能领域再次火热起来，很多模型在此基础上做了大量尝试和改进。 个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。 Conv3x3(1): \quad F=(5-1) \times 1+3=7 2.深度更深、非线性更强，网络的参数也更少 ： 使用小卷积核串联构建的网络深度更深、非线性更强、参数也更少。 从11层的A到19层的E，网络深度增加对top1和top5的error下降很明显，所以作者得出这个结论，但其实除了深度外，其他几个网络宽度等因素也在变化，depth matters的结论不够convincing 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：1.LeNet-5
2K20编辑于 2023-05-15 - 来自专栏信数据得永生
TensorFlow 深度学习实战指南：1~5 全
总结 在本章中，我们使用 TensorFlow 进行了深度学习。 尽管我们从一个神经元隐藏层的简单模型开始，但是并不需要花很长时间就可以开发和训练用于字体分类问题的深度神经网络。 三、卷积神经网络 在上一章中，我们探讨了深度神经网络，该神经网络需要更多的参数才能拟合。 本章将指导您完成深度学习中最强大的开发之一，并让我们使用有关问题空间的一些知识来改进模型。 首先，我们将回顾字体分类问题的研究进展，然后简要介绍除深度学习之外的 TensorFlow，并查看其将来的发展方向。 机器学习库很多，但是 TensorFlow 仍然存在。 尽管本书侧重于深度学习，但 TensorFlow 是一个通用的图计算库。 您在机器学习事业或研究中拥有优势。 而且由于它不仅仅是深度学习，所以无论您处于哪个领域，TensorFlow 都可能适用于它的某些方面。
2.2K10编辑于 2023-04-23 - 来自专栏计算机视觉
深度学习500问——Chapter02：机器学习基础（5）
也可作为分类等其他学习任务的前驱过程。聚类是标准的无监督学习。 一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此聚类通常并不需要使用训练数据进行学习，在机器学习中属于无监督学习。 一般情况下，一个分类器会从它得到的训练集中进行学习，从而具备对未知数据进行分类的能力，在机器学习中属于监督学习。 [5] 刘建平. 梯度下降小结,EM算法的推导, 2018 [6] 杨小兵．聚类分析中若干关键技术的研究[D]． 杭州：浙江大学, 2005. Machine learning, 2001, 45(1): 5-32.
39810编辑于 2024-03-19 - 来自专栏机器学习算法与理论
《白话深度学习与Tensorflow》学习笔记（5）强化学习(reinforcement learning)
强化学习(reinforcement learning)本身是一种人工智能在训练中得到策略的训练过程。
1.5K90发布于 2018-04-10 - 来自专栏红色石头的机器学习之路
系列笔记 | 深度学习连载（5）：优化技巧（下）
深度学习中我们总结出 5 大技巧： 本节继续从第三个开始讲起。 3. Early stopping and Regularization 本节我们一起探讨 Early stopping and Regularization，这两个技巧不是深度学习特有的方法，是机器学习通用的方法 每次训练的时候的网络结构都是不一样的，是一个thinner network： 其实在训练的时候训练了很多thinner network： 测试的时候，取各个网络的平均值 所以在深度学习中，我们的整个训练测试方法如下 作者简介：武强 兰州大学博士，谷歌全球开发专家Google Develop Expert（GDE Machine Learing 方向） 系列笔记： 系列笔记 | 深度学习连载（1）：神经网络 系列笔记 | 深度学习连载（2）：梯度下降 系列笔记 | 深度学习连载（3）：反向传播 系列笔记 | 深度学习连载（4）：优化技巧（上）
25910编辑于 2022-01-14 - 来自专栏AiCharm
深度学习经典网络解析：1.LeNet-5
1.背景介绍 LeNet-5，这篇是由LeCun和Bengio在1998年撰写的论文（LeCun和Bengio和Hitton成被称为深度学习三巨头，在2018年一起获得图灵奖）。 ） 神经元数量：28×28×6 训练参数：（5×5+1)×6=156 由于参数（权值）共享的原因，对于同个卷积核每个神经元均使用相同的参数，因此，参数个数为（5×5+1）×6= 156，其中5×5 ×(3×5×5+1)+6×(4×5×5+1)+3×(4×5×5+1)+1×(6×5×5+1)=1516（计算原理见额外处理） 连接数：10×10×1516=151600 第三层的输入为14×14的6 ：2×16=32 连接数：16×（2×2+1）×5×5=2000 第五层-卷积层C5 输入：S4层的全部16个5×5特征图 卷积核大小：5×5 卷积核种类：120 输出featureMap大小：1×1 （通过5-5+1=1得到） 可训练参数/连接：120×（16×5×5+1）=48120 卷积核数目为120个，大小为5×5，由于第四层输出的特征图大小为5×5，因此第五层也可以看成全连接层，输出为120
1.4K11编辑于 2023-05-15 - 来自专栏信数据得永生
TensorFlow 深度学习第二版：1~5
类似地，第二层的学习特征用作另一层的输入。这样，DBN 可以从输入数据中提取深度和非线性特征。最后一个 RBM 的隐藏层代表整个网络的学习特征。 深度学习框架 在本节中，我们介绍了一些最流行的 DL 框架。简而言之，几乎所有的库都提供了使用图形处理器加速学习过程的可能性，在开放许可下发布，并且是大学研究小组的结果。 深度学习服务目前提供三种类型的 AMI：Conda AMI，Base AMI 和带源代码的 AMI。 Microsoft Cognitive Toolkit 是 Azure 的开源深度学习服务。 类似地，第二层的学习特征用作另一层的输入。 这样，DBN 可以从输入数据中提取深度和非线性特征。最后一个 RBM 的隐藏层代表整个网络的学习特征。 逐步实现 LeNet-5 在本节中，我们将学习如何构建 LeNet-5 架构来对 MNIST 数据集中的图像进行分类。
2K20编辑于 2023-04-23 - 来自专栏信数据得永生
TensorFlow 1.x 深度学习秘籍：1~5
在这本书中，您将学习如何发挥 TensorFlow 的功能来实现深度神经网络。 作为机器学习爱好者，您必须已经熟悉神经网络和深度学习的概念，但是为了完整起见，我们将在此处介绍基础知识并探索 TensorFlow 的哪些功能使其成为深度学习的热门选择。 操作步骤 任何深度学习网络都包含四个重要组成部分：数据集，定义模型（网络结构），训练/学习和预测/评估。 复用预建的深度学习模型来提取特征 在本秘籍中，我们将看到如何使用深度学习来提取相关特征 准备 一个非常简单的想法是通常使用 VGG16 和 DCNN 进行特征提取。 附加一些其他的密集和丢弃层，以创建多层感知机并增强我们的深度学习网络的功能。 为了简单起见，我们不会在 5 中重新训练组合网络，而是使用已经在线提供的预先训练的权重集。
3.5K20编辑于 2023-04-23
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