- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习算法与Python学习
Torch7深度学习教程1
Torch7的本系列教程的主要目的是介绍Torch的入门使用。今天首先分享一下Torch7的安装。 （在Ubuntu14.04安装torch7） 为什么选择Torch Torch的目标是在建立科学算法的同时，要有最大的灵活性和速度，而这一过程非常简单。 Torch拥有一个大社区驱动包的生态系统，涉及机器学习、计算机视觉、信号处理、并行处理、图像、视频、音频和网络等，并建立在Lua社区基础之上。 在确定成功安装git工具后就可以开始安装Torch7啦！ 第一步: 获取安装LuaJIT（C语言编写的Lua的解释器）和Torch所必需的依赖包。 至此，Torch7就算是安装成功了，接下来就可以用它来进行你自己的机器学习任务了。接下来会比较详细的剖析Torch7de 入门。
91960发布于 2018-04-08 - 来自专栏AI人工智能
深度学习：7种范例教程分享
来源商业新知网，原标题：MIT高赞深度学习教程：一文看懂CNN、RNN等7种范例（TensorFlow教程） 我们不久前介绍了 MIT 的深度学习基础系列课程，由 MIT 学术研究员 Lex Fridman 作为讲座的一部分，Lex Fridman 撰文概述了 7 种架构范例的深度学习，每个范例都提供了 TensorFlow 教程的链接。 以下是麻省理工学院课程 6.S094 的深度学习基础课程第一课的视频： 深度学习是表示学习 (representation learning) ：从数据中自动形成有用的表示。 最重要的是，它的 “ 表示学习 ” 的基本思想是下一节的生成模型和所有深度学习的核心。 深度强化学习 (Deep RL) 强化学习 (RL) 是一个框架，用于教一个 agent 如何以一种最大化回报的方式行动。
1.4K30发布于 2019-05-07 - 来自专栏机器人网
7本必看入门深度学习书籍
对于入门深度学习的书籍，计算机视觉专家 Adrian Rosebrock 最近写了篇非常实用的书单，给深度学习新手推荐了7本书籍，最最重要的是，告诉了你最适合看哪些书。 在最后，本书重点关注了当前的深度学习的研究趋势和深度学习领域的新动向。 这本书中总共有 7 段 Python 代码，它们利用 MNIST 数据集讲述了各种机器学习、神经网络和深度学习技术的基础知识，对阐释书中讲到的理论概念大有帮助。 它不教授深度学习，而是向你展示在深度学习中，如何使用 TensorFlow 库。 如果符合下面的条件，那么你就应该读一读这本书： 你在平时工作学习中要用到 Java 语言 你所在的公司或单位主要使用Java编程 你想要知道如何使用 DL4J 库 书籍7——《Deep Learning
6.5K40发布于 2018-07-23 - 来自专栏AiCharm
深度学习经典网络解析：7.ResNet
1.背景介绍 如果说你对深度学习略有了解，那你一定听过大名鼎鼎的ResNet，正所谓ResNet 一出，谁与争锋？ 因此为解决随着深度加深，性能不退化，残差网络就出现了，深度残差网络用来解决性能退化问题，其同时也解决了梯度问题，更使得网络的性能也提升了，用了残差结构的网络深度可以到达几百层。 从表中可以看到，对于18-layer和34-layer的ResNet，其进行的两层间的残差学习，当网络更深时，其进行的是三层间的残差学习，三层卷积核分别是1x1，3x3和1x1，一个值得注意的是隐含层的 （个人感觉有点像Dropout） 1.背景介绍 如果说你对深度学习略有了解，那你一定听过大名鼎鼎的ResNet，正所谓ResNet 一出，谁与争锋？ 从表中可以看到，对于18-layer和34-layer的ResNet，其进行的两层间的残差学习，当网络更深时，其进行的是三层间的残差学习，三层卷积核分别是1x1，3x3和1x1，一个值得注意的是隐含层的
11K42编辑于 2023-05-15 - 来自专栏paddle深度学习
paddle深度学习7 数据集的加载
在深度学习中，数据是模型训练的基石。高质量的数据处理和准备是模型成功的关键。无论是使用经典的数据集（如 MNIST、CIFAR-10），还是处理自定义数据集，都需要掌握数据加载、预处理和增强的技巧。
54010编辑于 2025-01-13 - 来自专栏AI科技大本营的专栏
不可错过的7篇深度学习综述
译者 | 凯隐 出品 | AI科技大本营（ID:rgznai100） 随着深度学习在各个领域的井喷式进展，一些学术领域显得有些混乱。因此survey就显得至关重要。 这里收集了7篇近年来机器学习各个领域的survey，希望能帮助大家。 2、基于深度学习的时间序列分类综述 Deep learning for time series classification: a review (Hassan Ismail Fawaz et al. 本文通过对TSC任务中基于最新DNN结构的方法进行实证研究，从而探究深度学习相关方法在TSC任务中的最优效果。通过同一的DNN分类，我们给出了深度学习在时间序列相关领域的各个应用概览。 同时我们也提供了用于构建TSC生态的开源深度学习框架，包含所有参与对比的方法的实现，以及他们在TSC 基准数据集和其他12个时间序列数据集上的验证结果。
1.1K30发布于 2020-01-16 - 来自专栏AI科技大本营的专栏
经典 | 深度学习的7大实用技巧
通过这篇博文，我将与大家分享7个深度学习实用技巧，教你如何让深度神经网络发挥最大作用。 ▌1、数据！数据！数据！ 众所周知的是，如果把深度学习比作一台大型的机器，那么数据就好比是这台机器的燃料，同时它的数量也能决定深度学习这台机器的性能好坏。有标签的数据越多，模型的性能越好。 Adam是个容易上手的自适应优化器，因为它对初始学习率的设置没有很严格的要求，对于学习率的变化过程也并不是很敏感，因此非常利于深度学习模型的部署。 集成模型 ▌7、剪枝——为你的训练提速 随着模型深度的增加，模型性能也将更好，但模型的训练速度又如何呢？层数越深意味着参数量更多，而更多的参数意味着更多的计算和更多的内存消耗，训练速度也将变慢。 以上，就是你能学习到的7大深度学习实用技巧！
78770发布于 2018-04-26 - 来自专栏CSDN技术头条
自然语言处理深度学习的7个应用
然而，深度学习方法在一些特定的语言问题上取得了最新的成果。 在这篇文章中，你会发现7个有趣的自然语言处理任务，也会了解深度学习方法取得的一些进展。 大多数参考来自2015年的Goldberg’s 的优秀的NLP研究人员深度学习入门文献 。 你有没有一个深度学习中最受欢迎的NLP应用没有被列出？请在下面的评论中告诉我。 深度学习已经被应用于自动文本摘要（成功）了吗？ 原文：7 Applications of Deep Learning for Natural Language Processing （https://machinelearningmastery.com
1.7K90发布于 2018-02-08 - 来自专栏李智的专栏
DeepLearning tutorial（7）深度学习框架Keras的使用-进阶
Mnist数据到这里下载 http://pan.baidu.com/s/1qCdS6,本文的代码在我的github上:dive_into _keras DeepLearning tutorial（7） 深度学习框架Keras的使用-进阶 ---- 1.
79610发布于 2019-05-26 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（7）
2. conv4_3 和 conv7_fc 在接预测层之前分别接 RFB-s 和RFB结构。 8.3.9 M2Det M2Det有哪些创新点 1. M2DNet使用backbone和多级特征金字塔（MLFPN）从输入图像中提取特征，然后类似于SSD，根据学习的特征生成密集的边界框和类别分数，最后是非最大抑制（NMS）操作以产生最终结果。 特别是，由于FFMv1以backbone中不同比例的两个特征图作为输入，因此它采用一个上采样操作，在连接操作之前将深度特征重新缩放到相同的尺度。 此外，在解码器分支的上采样层后添加1x1卷积层和按元素求和的操作，以增强学习能力并保持特征的平滑性。每个TUM的解码器中的所有输出形成当前级别的多尺度特征。 这里，聚合金字塔中的每个比例都包含来自多级深度的特征。但是，简单的连接操作不太适合。在第二阶段，引入了通道注意模块，以促使特征集中在最有益的通道。
41610编辑于 2024-05-05 - 来自专栏罗西的思考
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 (7) --- DistributedOptimizer 目录 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer 前面几篇链接如下： [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 我们需要一些问题或者说是设计要点来引导分析，而且因为读者可能没有看过本系列其他文章 1.1 深度学习框架 深度学习训练的核心问题是过反向梯度计算来拟合f()，反向梯度计算的目的是计算梯度和更新参数。而计算梯度的方式则主要是通过链式求导。一次链式求导只是一次的前向和后向的计算结果。
1.9K10发布于 2021-06-29 - 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
2.6K72发布于 2018-02-27 - 来自专栏往期博文
深度学习基础：7.模型的保存与加载学习率调度
tanh_model1.state_dict(), 'best_model.pt') 参数1：模型参数 参数2：保存名称 模型加载 model.load_state_dict('best_model.pt') 学习率调度 学习率调度指的是在模型训练的过程中，动态调整学习率。 我们可以通过调用Pytorch中optim模块下的lr_scheduler相关函数，来实现优化器中学习率的动态调整。 dtype=torch.float32) * 100 y = torch.randint(low=0,high=3,size=(500,),dtype=torch.float32) lr = 0.1 # 学习率 torch.optim.SGD(net.parameters(), lr=0.05) # 创建优化器 scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda) # 创建学习率调度器
88120编辑于 2022-07-14 - 来自专栏JavaEdge
机器学习入门(十) — 深度学习1 深度学习：图像搜索2 神经网络3 深度学习在计算机视觉中的应用4 深度学习的性能5 计算机视觉中的深度学习6 深度学习的挑战7 迁移学习8 深度学习总结
1 深度学习：图像搜索 可视化商品推荐 我想买双新鞋,但是 文本搜索不能帮助我们 2 神经网络 特征是机器学习的关键 目标 : 重新检视分类器,但是应用更复杂的非线性特征 图像分类 神经网络 : 学习" 非常"非线性的特征 线性分类器 分类器的图表示 : 用于定义神经网络 线性分类器可以表示什么 线性分类器不能表示什么 解决 XOR 问题 : 添加一层 神经网络 3 深度学习在计算机视觉中的应用 图像特征 典型的局部探测器寻找图像中的局部兴趣点 有很多手动构造的特征被用于寻找兴趣点 典型图像分类方法 深度学习 : 自动学习特征 4 深度学习的性能 应用深度神经网络的结果示例 ImageNet2012竞赛 : 1.2M 张训练图像,1000种类别 5 计算机视觉中的深度学习 利用深度学习进行景物解析 检索相似图像 6 深度学习的挑战 深度学习工作流 深度学习的劣势 7 迁移学习 深度特征 : 深度学习 转换学习细节 注意分割点 : 后面的层有可能太特定于任务 应用深度特征的迁移学习工作流 深度特征的通用性有多强 8 深度学习总结 训练集 图像和相应的标签 通过深度学习经过特征提取进行反馈 使用简单的分类模型
75320发布于 2018-12-26 - 来自专栏智能算法
深度学习三人行(第7期)----深度学习之避免过拟合(正则化)
上一期，我们一起学习了深度学习中的学习率的悲惨命运， 深度学习三人行(第6期)----深度学习之学习率的命运 今天我们一起学习下深度学习中如何避免过拟合，我们多多交流，共同进步。 本期主要内容如下： 提前停止训练 L1和L2范数正则化 DroupOut 最大范数正则化 数据增强 小结 我们知道，深度学习有成千上万个参数，甚至数百万。 keep_prob, is_training=is_training) 6hidden1 = fully_connected(X_drop, n_hidden1, scope="hidden1") 7hidden1 in zip(X_batches, y_batches): 6 sess.run(training_op, feed_dict={X: X_batch, y: y_batch}) 7 epoch in range(n_epochs): 5 [...] 6 for X_batch, y_batch in zip(X_batches, y_batches): 7
1.1K40发布于 2018-12-13 - 来自专栏ATYUN订阅号
AMD将推出7纳米GPU Vega，专为深度学习和机器学习打造
AMD今天在Computex上为其下一代7纳米GPU Vega草拟了高级的数据中心计划。综合了AMD在个人电脑上花费一个半小时的展示，显然7纳米Vega终于瞄准了高性能深度学习和机器学习应用。 AMD声称，与合作伙伴合作开发的7纳米流程节点将产生现有两倍的晶体管密度，两倍的功率效率，比其14nm流程节点高出约三分之一的性能。 7纳米Vega将包括： 32GB第二代高带宽存储器（HBM2）集成到多芯片封装中 集成的AMD Infinity Fabric界面 新的深度学习指令集操作 32GB的HBM2将使Vega与NVIDIA的高端 AMD的Infinity Fabric接口将实现Vega芯片与AMD Zen2处理器芯片（如AMD的Zen2 7nm服务器芯片）之间的高带宽，一致性内存通信。 客户可以访问所有代码，这将允许客户自定义和优化其框架以在7纳米Vega上运行。AMD表示，其ML生态系统将使软件开发人员能够将模型直接编译为7纳米Vega机器码。
65940发布于 2018-07-27 - 来自专栏AI科技大本营的专栏
Fast.ai深度学习实战课程 Lesson7 学习笔记：CNN Architectures
本篇是AI100学院此前重点推出的《Fast.ai 深度学习实战课程》（中文字幕）第七节的学习笔记，分享者胡智豪。 如果你对深度学习感兴趣，该系列课程千万不要错过哦！ 下载地址： http://geek.ai100.com.cn/wp-content/uploads/2017/05/lesson7_jto.ipynb 作者联系方式：justinhochn@gmail.com
1.1K60发布于 2018-04-27 - 来自专栏计算机工具
深度学习7:生成对抗网络 – Generative Adversarial Networks | GAN
人工提取特征——自动提取特征 深度学习最特别最厉害的地方就是能够自己学习特征提取。 机器的超强算力可以解决很多人工无法解决的问题。自动化后，学习能力更强，适应性也更强。 无需利用马尔科夫链反复采样，无需在学习过程中进行推断，没有复杂的变分下界，避开近似计算棘手的概率的难题。 2个缺陷 难训练，不稳定。 GANs的学习过程可能出现模式缺失，生成器开始退化，总是生成同样的样本点，无法继续学习。 生成式对抗网络（GAN, Generative Adversarial Networks ） 是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。 但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。
91710编辑于 2024-12-14 - 来自专栏机器之心
从PyTorch到Mxnet ，对比7大Python深度学习框架
选自kdnuggets 作者：Madison May 机器之心编译 参与：王宇欣、李亚洲 选择什么深度学习框架一直是开发者非常关心的一个话题，而且深度学习框架之间的「战争」也越来越激烈。 过去一段时间，机器之心发过多篇机器学习框架的对比文章，但随着 Python 逐渐成为机器学习社区最受欢迎的语言，支持 Python 的深度学习框架的性能也值得关注。 Indico Data Solutions 的 CTO Madison May 根据他们公司在产品和开发过程中的经验对 7 大 Python 深度学习框架进行了对比，希望这篇文章能对机器之心的读者有所帮助 我在 2014 年 7 月推荐的库，pylearn2，已经不再被积极地开发或者维护，大量的深度学习库开始接替它的位置。这些库每一个都各有千秋。 确切地说，我们将会关注： Theano Lasagne Blocks TensorFlow Keras MXNet PyTorch 下面是对这 7 大 Python 深度学习框架的描述以及优缺点的介绍，
2.7K60发布于 2018-05-07 - 来自专栏AiCharm
深度学习相关概念7：动量法与自适应梯度
添加描述2.动量法（momentum） 普通的梯度下降法当接近最优值时梯度会比较小，由于学习率固定，普通的梯度下降法的收敛速度会变慢，有时甚至陷入局部最优。 AdaGrad方法和RMSProp方法都是自适应梯度方法3.1AdaGrad方法 AdaGrad会记录过去所有梯度的平方和,更新权重时如下图所示 但是学习越深入，r会累计的越来越大，更新的幅度就越小 如果无止境地学习，更新量就会变为0, 完全不再更新。3.2RMSProp方法 RMSProp优化算法和AdaGrad算法唯一的不同，就在于累积平方梯度的求法不同。 因为在RMSProp更新方法中的分母项，算法提高了在该方向的有效学习率，使得RMSProp能够继续前进。我正在参与2023腾讯技术创作特训营第二期有奖征文，瓜分万元奖池和键盘手表
88750编辑于 2023-09-27
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