- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术翻译
8个深度学习框架
，用于培训深度学习模型。 如果您恰好是具有一定Python经验并希望深入学习的开发人员，那么Keras应该是您应该查看的内容。 8. 作为一个以商业为重点的商业分布式深度学习平台，这一深度学习框架的最大优势在于，您可以将整个Java生态系统整合在一起，以执行深度学习。 结论 很明显，深度学习的出现引发了许多机器学习和人工智能的实际使用案例。通过深度学习，以最简单的方式分解任务，以便以最有效的方式协助机器。 上面列表中哪个深度学习框架最适合您的业务需求？ 原文标题《Top 8 Deep Learning Frameworks》 作者：Mitul Makadia 译者：February 不代表云加社区观点，更多详情请查看原文链接
1.6K30发布于 2018-12-04 - 来自专栏ShowMeAI研究中心
深度学习与CV教程(8) | 常见深度学习框架介绍
引言 大家在前序文章中学习了很多关于神经网络的原理知识和实战技巧，在本篇内容中ShowMeAI给大家展开介绍深度学习硬件知识，以及目前主流的深度学习框架TensorFlow和pytorch相关知识，借助于工具大家可以实际搭建与训练神经网络 本篇重点 深度学习硬件 CPU、GPU、TPU 深度学习框架 PyTorch / TensorFlow 静态与动态计算图 1.深度学习硬件 GPU（Graphics Processing Unit）是图形处理单元 在深度学习上选择 NVIDIA（英伟达）的显卡，如果使用AMD的显卡会遇到很多问题。TPU（Tensor Processing Units）是专用的深度学习硬件。 TPU是专门的深度学习硬件，运行速度非常快。TITANV 在技术上并不是一个「TPU」，因为这是一个谷歌术语，但两者都有专门用于深度学习的硬件。运行速度非常快。 TPU 是专门用于深度学习的硬件，速度非常快。
1.8K32编辑于 2022-06-03 - 来自专栏Lauren的FPGA
学习笔记：深度学习与INT8
上期内容：过约束到底怎么做 越来越精确的深度学习模型面临两大挑战：计算密度越来越高；存储带宽越来越大。解决此问题的可行方法之一就是降低数据位宽。 实践证明，在某些CNN模型中，采用INT8与采用浮点数据相比，精度损失很小。 这里我们将关注点放在INT8的具体实现上。就CNN模型而言，INT8主要用在卷积层。 DSP48E2的结构如下图所示（图片来源：wp486, Figure 1），这里我们将利用一个DSP48E2同时实现两个INT8乘法，前提条件是这两个INT8乘法具有一个相同的因子，也就是同时实现axb DSP48E2的B端口为18位，将数据b进行符号位扩展，低8位填充数据b。最终，DSP48E2的P端口（48位）将输出ab（或ab-1）和db。 ? 在实际应用中，充分利用DSP48E2实现两个INT8相乘可有效节省乘法器资源，提高乘法器的利用率。 ?
2K21发布于 2020-06-30 - 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
8种主流深度学习框架介绍
导读：近几年随着深度学习算法的发展，出现了许多深度学习框架。这些框架各有所长，各具特色。 01 TensorFlow 谷歌的TensorFlow可以说是当今最受欢迎的开源深度学习框架，可用于各类深度学习相关的任务中。 如果想快速入门深度学习， Keras将是不错的选择。 Keras是TensorFlow高级集成API，可以非常方便地和TensorFlow进行融合。 因Theano出现的时间较早，后来涌现出一批基于Theano的深度学习库，并完成了对Theano的上层封装以及功能扩展。在这些派生库中，比较著名的就是本书要学习的Keras。 本文摘编自《Keras深度学习：入门、实战与进阶》，经出版方授权发布。（ISBN：9787111691501）
8.4K12编辑于 2022-01-20 - 来自专栏CSDN技术头条
8个深度学习方面的最佳实践
经过七个多星期的学习，我学会了如何利用8个技巧来构建： 1. 基于预先训练模型的世界级图像分类器 2. 基于数据集构建语言模型的情感分析工具 3. 如何对结构化数据集进行深度学习 4. 如何使用深度学习通过协同过滤来构建推荐引擎 所有这一切都是通过由fastai深度学习库支持的Jupyter Notebook完成的，该库本身是基于PyTorch的。 本文将介绍这8个技巧。 周期性学习率（普遍适用） 学习率也许是对深度神经网络进行调优最重要的一个超参数。 8. 分类变量的实体嵌入 （结构化数据和自然语言处理） 在对结构化数据集进行深度学习时，这有助于将包含连续数据的列（例如在线商店中的价格信息）从包含分类数据（例如日期和取货地点）的列中区分出来。
94980发布于 2018-02-06 - 来自专栏paddle深度学习
paddle深度学习8 自定义数据集
除了Paddle中一些已经包含的常用数据集，在实际的深度学习项目中，经常需要使用自定义的数据集(以便灵活地使用一些其它地外部数据集)进行训练和测试。 len(train_data))print(len(val_data))可以查看一下这些数据的分布情况import matplotlib.pyplot as pltplt.figure(figsize=(8,
39110编辑于 2025-01-14 - 来自专栏AiCharm
深度学习经典网络解析：8.R-CNN
R-CNN的全称是Region-CNN （区域卷积神经网络），是第一个成功将深度学习应用到目标检测上的算法。 目标检测是深度学习的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤： 1、分类，识别物体是什么 2、定位，找出物体在哪里 除了对单个物体进行检测， 在很多时候单一的分类器可能并不能满足我们的要求，如今使用深度学习来完成各项任务，尤其是参加各类比赛的时候，一定会使用不同的模型不同的输入进行Ensemble。 AlexNet网络的具体详解，请见我的博客：深度学习经典网络解析（二）：AlexNet 3.5 Selective Search与R-CNN 传统目标检测方法中的区域选择过程用的是穷举法的思路而不是生成候选区域方法 所以我们可以直接使用现有的训练好的网络，许多深度学习库中都有集成一些厉害的网络结构以及训练好的权值，直接拿来用就好了。当然也可以重新设计网络结构，然后用一个大的数据集来训练就好了。
98830编辑于 2023-05-15 - 来自专栏量子位
Ian Goodfellow：深度学习的8个未来方向
陈桦 编译自 Quora 量子位 报道 | 公众号 QbitAI 深度学习的下一步是什么？ 最近，这个问题在美国问答网站Quora上发出没几天，就收到了Ian Goodfellow的回答。 以下是他回答的主要内容： 深度学习未来的发展方向很广，以下是其中一些方向： 更优秀的强化学习，以及深度学习和强化学习之间的整合。能更可靠地学会如何控制机器人的强化学习算法等。 更优秀的生成模型。 这些算法能可靠的学习如何生成图像、语音和文字，人类将无法分辨算法生成的内容和真实的内容。 学会学习，以及无所不在的深度学习。例如，算法将可以重新设计自身架构，自主调整超参数。 目前，学习算法仍需要人类专家去运行，但未来这些算法的部署将会更简单。没有专门AI人才的机构也可以利用深度学习技术。 用于信息安全的机器学习，以及机器学习的安全问题。 深度学习将延伸至大众文化中。我们将看到艺术家和潮流推动者在一些难以想象的领域应用深度学习。例如，Alexei Efros的实验室，以及类似CycleGAN的项目就是这方面的起步。
75050发布于 2018-03-28 - 来自专栏往期博文
深度学习基础：8.卷积与池化
从本篇开始，将进入到深度学习的计算机视觉领域，在此之前有必要对传统 图像处理方法做个回顾。 cvtColor(img, cv2.COLOR_BGR2HSV) h, s, v = cv2.split(img_hsv) #h += np.clip(s*1.0+100,0,255).astype("uint8" ) # 色相 s += np.clip(s*1.0+100,0,255).astype("uint8") # 饱和度 #v += np.clip(s*1.0+100,0,255).astype("uint8 COLOR_BGR2GRAY) # 两种经典算子：拉普拉斯与索贝尔 laplacian = cv2.Laplacian(img, cv2.CV_64F, ksize=5) # 在这里输入之后可以保证输出数据是uint8类型
66010编辑于 2022-09-08 - 来自专栏计算机工具
深度学习8:详解生成对抗网络原理
转换函数无法明确表达，因此，我们必须从数据中学习它。 在这些情况下，大多数情况下，非常复杂的功能自然意味着神经网络建模。 在机器学习中，生成模型试图从给定（复杂）概率分布生成数据 深度学习生成模型被建模为神经网络（非常复杂的函数），它将一个简单的随机变量作为输入，并返回一个跟随目标分布的随机变量（“变换方法”） 这些生成网络可以
38610编辑于 2024-12-14 - 来自专栏DeepHub IMBA
8个深度学习中常用的激活函数
具体来说，它不太容易受到阻止深度模型被训练的梯度下降消失问题的影响，尽管它可能会遇到诸如饱和单元等其他问题。
94221发布于 2021-07-01 - 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 深度学习研究综述. 计算机应用研究,29(8), 2806-2810. 来源：http://blog.csdn.net/xudong0612/article/details/8930891
2.4K72发布于 2018-02-27 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（8）
8.4.1 目前主要的人脸检测方法分类 目前人脸检测方法主要包含两个区域：传统人脸检测算法和基于深度学习的人脸检测算法。 由于本书着重关注深度学习，下面会着重介绍基于深度学习的人脸检测方法。 2006年Hinton首次提出深度学习（Deep Learning）的概念，它是通过组合低层的特征形成更高层的抽象特征。 下面部分主要介绍基于深度学习的人脸检测算法，基于深度学习的通用目标检测算法将在第二大节介绍。 图 8.4.1 图像金字塔 图8.4.2 缩放滑动窗口 基于深度学习的人脸检测算法中针对不同大小人脸主要也有两个策略，但和传统人脸检测算法有点区别，主要包括： （1）缩放图片大小。 （不过也可以通过缩放滑动窗的方式，基于深度学习的滑动窗人脸检测方式效率会很慢存在多次重复卷积，所以要采用全卷积神经网络（FCN），用FCN将不能用滑动窗的方法）。
22800编辑于 2024-05-24 - 来自专栏罗西的思考
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 (8) --- on spark 目录 [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark 0x00 摘要 0x01 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 目前我们已经知道，Horovod 可以把 Tensorflow等深度学习框架和MPI紧密结合起来，那么为什么要再把 spark 整合进来呢？整合的意义在哪里？
2.5K30发布于 2021-07-01 - 来自专栏成套网站
基于yolov8深度学习的裂缝检测系统
近年来，计算机视觉与深度学习技术的突破为裂缝检测提供了全新解决方案。 在此背景下，基于YOLOv8的裂缝检测系统研究不仅契合了基础设施智能化维护的迫切需求，更通过深度学习模型的优化与数据增强技术，解决了传统方法在复杂环境适应性、检测效率与泛化能力上的瓶颈，为保障公共安全、 2、研究意义基于YOLOv8深度学习的裂缝检测系统研究具有重大且多维度的意义：在保障安全层面，它能快速精准识别裂缝位置与程度，助力“早发现、早处理”，有效预防桥梁垮塌、建筑倒塌等灾难，保障基础设施长期安全运行与人民生命财产安全 3、研究现状在基于YOLOv8深度学习的裂缝检测领域，国内外研究正呈现蓬勃发展态势。 在深度学习领域，Python凭借丰富的库支持（如PyTorch、TensorFlow、OpenCV）和活跃的社区，成为YOLOv8等模型开发的核心语言。
50210编辑于 2025-12-29 - 来自专栏Soul Joy Hub
《deep learning》学习笔记（8）——深度模型中的优化
在深度学习，尤其是深度神经网络的训练和预测中，大的模型往往要花上数天甚至是数月的训练时间，因此虽然模型的优化费事费力，仍然是一个高回报的步骤， 因为好的模型和优化方法可以极大的加速深度学习模型的训练。 8.3.1 随机梯度下降 随机梯度下降（SGD）及其变种是一般机器学习中应用最多的优化算法，尤其是在深度学习中。 深度学习的模型通常是迭代的，因此要求使用者制定一些开始迭代的初始点。另外，深度学习模型又是一个很复杂的问题，以至于大部分算法的结果收到初始值的影响。 现代机器学习乃至深度学习和神经网络的初始化策略是简单和启发式的，改进初始化是一项困难的任务。神经网络的优化到目前都没有被很好的理解。 实践中和经验上，RMSProp已经被证明是是一种有效而且实用的深度神经网络优化算法，目前是深度学习从业者经常采用的优化方法之一。
1.2K50发布于 2019-02-13 - 来自专栏AI科技评论
8 篇论文深入学习深度估计：深度预测；自我运动学习；观看冰雪奇缘了解移动人物深度
8篇论文，深入学习深度估计 作者 | Derrick Mwiti 翻译 | 栗峰 校对 | 京枚 编辑 | Camel 原文标题：Research Guide for Depth Estimation 在这篇指南中，我们将介绍几篇通过深度学习来解决这些问题的论文。以下两幅图像清晰地表明了在实际应用中的深度估计： ? ? and Semantics 论文链接：https://arxiv.org/abs/1906.05717v1 这篇论文所提出的方法结合了深度无监督单目学习和自我运动学习的结构和语义。 8、通过观看《冰雪奇缘》了解移动人物的深度(CVPR 2019) 论文标题：Learning the Depths of Moving People by Watching Frozen People 这种方法首先从模仿人体模特的网络视频中学习人类的深度，它能够利用场景静态区域的运动视差线索来指导深度预测。 ?
2.5K20发布于 2019-10-31 - 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
67720发布于 2018-12-26 - 来自专栏利志分享
深度学习go判断各个类型相等-日常实战总结8
今天我们讲一下如何判断golang的各个类型之间是否相等，可能很多人没了解之前或者深度理解之前都可能觉得一个相等不就是“==”就行了？ strings.Compare(a, b) == 0 { fmt.Println("yes 1") } else { fmt.Println("no 1") } //3.针对于utf8编码有特殊的字符串判断 string{"11"} fmt.Println(a3) fmt.Println(a4) if reflect.DeepEqual(a3, a4) { fmt.Println("yes 8" ) } else { fmt.Println("no 8") } //reflect.DeepEqual 主要处理同类型，同深度 不同的值不一样的进行判断。 yes 7 a3地址：0xc0000a0000 a4地址：0xc0000a0050 yes 8 好了，这里我主要总结了这几种的使用，也是最常用的使用，比如指针，函数类型等其实也可以介绍下，后面看看有时间再介绍
53020编辑于 2022-04-25
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