- 综合排序
- 最热优先
- 最新优先
- 来自专栏瓜大三哥
DeepID3(0.9745)：商汤科技
本文中，使用了两种深度神经网络框架（VGG net和GoogleLeNet）来进行人脸识别。两种框架ensemble结果在LFW数据集上可以达到0.945的准确率了。 本文获得高准确率主要归功于大量的训练数据，文章的亮点仅在于测试了两种深度卷积神经网络框架。 两种网络都是对卷积做了不同的层数，在原来的DeepID2上提高性能不大 ? ? ? ? ?
84850发布于 2018-02-26 - 来自专栏守望轩
锤子科技坚果3发布
我现在用的手机是3年前买的坚果第一代，我不是锤粉，不过倒蛮喜欢锤子手机的设计，特别它的Smartisan OS 无论UI还是功能都是比较贴心。 在智能手机的红海里，锤子手机或许很难再成为像华为、小米这样的头部公司了，但这不妨碍锤子科技可以成就自己的伟大和优秀。 ? 2018年3月9日，坚果3发布了，我没有看直播，昨晚特意看了看回顾，在千元机这个领域，我不敢说坚果系列是最好的，但评价为优秀 是比较准确的，不过我更期待，5月15日，锤子科技发布一款旗舰机，T2后2年里 ，锤子再也没有发布高端机型，希望旗舰机的发布，能够填补这种遗憾，给锤子科技的发展带来一个高峰。
65820发布于 2019-12-06 - 来自专栏数据派THU
3D图解神经网络
也就是说，先给Unity版3D网络提供一个搭建思路，提前准备好实现展示卷积计算的方法、特征图的形状、边绑定的效果等问题。 它的节点编辑器长这样： 然后，就可以在Unity上搭建3D神经网络了。 设计后的网络形状，大致长这样： 然后，就是从模型的TensorFlow代码中，生成对应的3D神经网络图像。 目前，也已经有人像上面那个神经网络模型一样，做出了3D的可视化神经网络: 这个项目，同样用到了边绑定、光线追踪等技术，与特征提取、微调和归一化相结合，将神经网络可视化。 大致的处理过程是这样的： 如果对于这类3D神经网络可视化感兴趣，可以在文末找到对应的开源项目地址。 作者介绍： Stefan Sietzen，现居维也纳，此前曾是个3D视觉方向的自由职业者。 目前，他在维也纳工业大学读硕，对视觉计算（visual computing）非常感兴趣，这个3D神经网络，就是他在硕士期间做的项目之一。
85120编辑于 2022-10-09 - 来自专栏十二的树洞
人工神经网络学习笔记（3）
**暴力枚举：**对于一个三层的神经网络，每层有3个神经元结点，有两个3 × 3 3\times 33×3的链接权重矩阵，共有18个权重值。 为了避免上述情况，我们应从选择不同的其实位置对神经网络进行多次训练，以确保其并不总是终止于错误的地方。而不同的其实位置意味着不同的链接权重。 quality=80&size=b9999_10000&sec=1559636048297&di=a69a0ac50c0c4c39c6290d14fe697429&imgtype=0&src=http%3A %2F%2Fimg.ph.126.net%2FwdlmGd6Cl2EyG0Bp-xEihQ%3D%3D%2F1016406140918957318.jpg)] image.png 上述表达式表示了当权重
43330编辑于 2021-12-22 - 来自专栏算法之名
3D卷积神经网络
首先，我们先参考Tensorflow深度学习算法整理 中卷积神经网络回忆一下2D卷积。 3D卷积如上图所示，3D卷积输入多了深度C这个维度，输入是高度H*宽度W*深度C的三维矩阵。 视频分类 虽然视频本质上是连续帧的二维图像，但是如果将一段视频切片当做一个整体，将其数据升级到三维，三维卷积神经网络在视频方面应用最广泛的就是进行视频分类。 与二维神经网络相同，三维神经网络也包括输入层，卷积层，池化层，全连接层，损失函数层等网络层。 光流(optical flow)： 通过时序上相邻帧计算像素移动的方向和速度。 input—>H1： 神经网络的输入为7张大小为60*40的连续帧(每帧都是单通道灰度图)，7张帧通过事先设定硬核(hardwired kernels，一种编码方式，注意不是3D卷积核)获得5种不同特征 （典型神经网。） C2—>S3： 2x2的2D池化，下采样。下采样之后的特征maps数量保持不变，因此S3层的特征maps数量为：23*2。
3.8K40编辑于 2022-05-06 - 来自专栏新智元
远程操控神经的高科技诞生
，可以通过智能手机控制的微型大脑植入物来控制神经回路。 向大脑输送药物和光线 在现代生物学研究中，为了理解神经元的功能、帮助寻找针对神经疾病的药物，科学家往往需要直接向活体动物的脑部传输特定的药物与光线并追踪这些药物与光线对生物体的后续影响，即通过药物理解不同的脑细胞在特定生理活动 光遗传学是一门新兴的生物技术领域，神经科学家可以往受试者的神经元注入视蛋白基因，然后利用光线控制活体组织中的神经元。 向大脑传输药物和光的传统方法通常会利用刚性金属管和光纤。 其中，神经器件是光流控的；药物输送则通过加热器的热驱动实现。 ? “无线光流控脑探头”组装图像 由于可替换药盒的存在，神经科学家不用担心药物耗尽。 “它让我们能够更好地剖析行为的神经回路基础，以及大脑中特定神经调节器的作用，”Bruchas说，“我们也渴望将该设备用于复杂的药理学研究，帮助我们开发新的治疗疼痛、成瘾和情绪障碍的方法。”
1.4K10发布于 2019-08-20 - 来自专栏ATYUN订阅号
【科技】神经网络使我们能够以新的方式“读懂人脸”
其他由神经网络驱动的图像识别技术正在开发中，包括阅读自动驾驶标志和自动检测机场安全扫描仪中的武器。 近年来，神经网络也使得面部分析等技术更加精确。 在这种情况下，神经网络可以把注意力集中在亮度而不是面部表情上，但似乎可以看到面部的链接。 让神经网络来解释他们如何分析图像是他目前研究的重点。 Yilun Wang 表示：“我可以看到改善(视觉图像和面部识别神经网络)性能的方法，但却没有看到达到百分之百的方法。” 研究人员说，在神经网络能够可靠地用于更多安全关键领域的面部识别之前，可能还需要一段时间。
78350发布于 2018-03-02 - 来自专栏GiantPandaCV
卷积神经网络学习路线（十九） | 旷世科技 2017 ShuffleNetV1
前言 这是卷积神经网络学习路线的第19篇文章，主要为大家介绍一下旷世科技在2017年发表的ShuffleNet V1，和MobileNet V1/V2一样，也是一个轻量级的卷积神经网络，专用于计算力受限的移动设备 相关工作 高效模型设计：卷积神经网络在CV任务中取得了极大的成功，在嵌入式设备上运行高质量深度神经网络需求越来越大，这也促进了对高效模型的研究。 方法 针对组卷积的通道混洗 现代卷积神经网络会包含多个重复模块。 在这里插入图片描述 整个架构主要分为3个阶段： 每个阶段的第一个block的步长为2，下一阶段的通道翻倍。 每个阶段内除了步长，其它的超参数保持不变。 受此启发，在原结构的阶段3删除2个单元，即表2中arch2结构，放宽对应的特征映射，明显新的架构效果要好得多。
1.3K20发布于 2020-02-21 - 来自专栏点滴科技资讯
2017年3季度全球保险科技发展报告
中英文版PDF报告请加入点滴科技资讯知识星球下载或者与群秘联系！点滴科技资讯感谢您的支持！
3.1K100发布于 2018-05-07 - 来自专栏宜达数字
Unity3D高级开发-TimeLine（黑科技）
音频剪辑支持：定位自定义音频混合器 自定义轨迹支持：利用改善的Playable API编写自定义轨迹 脚本控制Timeline：开始，暂停，跳转至特定时刻等 集成Cinemachine使用给定的资源包 3. Plyable API Frame Recorder 3.官方资源文件 ? 4.案例介绍
2.2K20发布于 2020-06-02 - 来自专栏云头条
3 亿元：默安科技 D 轮
近日，新兴网络安全厂商——默安科技正式宣布完成D轮融资，融资金额为3亿元人民币，由博裕投资和中金资本旗下基金联合领投。 默安科技的业务主要聚焦在以欺骗防御为核心的AISecOps（智慧运营安全）和以DevSecOps为核心的左移开发安全两条产品线。 默安科技CTO云舒认为，作为一种全新的理念，在云改变了运维的基础上，云原生改变了业务的生产方式， 实现了可复原、可管理、可观察的松散耦合系统。 未来，随着数字化转型逐步深入，默安科技将帮助更多客户安全地推进云原生和数字化进程。 、聂万泉、汪利辉创办的默安科技获3000万元Pre-A轮融资
49930编辑于 2022-04-02 - 来自专栏曲奇泡芙
特斯拉Model 3 Key Card里的黑科技
特斯拉Model 3给用户提供了三种解锁电动车的姿势： 遥控钥匙（可选，需付费购买） 手机APP蓝牙解锁 以及 Key Card（钥匙卡片） 其中Key Card作为手机蓝牙钥匙的备份方案（以应对手机没电了 Model 3的Key Card这么酷（"hei"）到底用了什么黑科技呢？不少提到车的用户已经迫不及待的尝试用各种方式去探个究竟了。 另一位一心想要把Model 3的Key Card芯片植入到自己左手上的女工程师Amie DD（https://www.amiedd.com）尝试对自己的Model 3卡片的RF信息进行了读取，得到了以下信息 JCOP支持常用的对称加密算法（DES，3-DES，AES等）和非对称加密算法（RSA，ECC）以及签名和密钥生成等服务。JCOP智能卡目前广泛被用于SIM卡，银行信用卡等对安全要求较高的卡片上。 使用了智能卡的Model 3 Key Card 可以使用非对称加密和自定义认证算法来确保认证过程的安全性以及卡片无法轻易被复制。 ?
2.7K10发布于 2019-08-16 - 来自专栏点滴科技资讯
2018年3季度全球保险科技投资报告
本文译者：中国（上海）自贸区研究院（浦东改发院）金融研究室主任 刘斌 微信号 shpdlb
3K20发布于 2018-12-25 - 来自专栏机器学习/数据可视化
图神经网络3-图神经网络的基础、前言和应用
公众号：尤而小屋作者：Peter编辑：Peter图神经网络GNN和传统深度学习网络的对比：循环神经网络（1997）和卷积神经网络（2012）：擅长处理图像等欧式数据或者文本和信号等序列数据图神经网络：擅长处理社交网络 、推荐系统、药物发现和程序分析中的图和流行结构等数据图结构数据不适合高度规则化的神经网络结构，比如RNN或者CNN等。 图神经网络基础GNN方法GNN的理论理解GNN的可扩展性GNN的可解释性GNN的对抗鲁棒性GNN方法GNN是专门设计的用于在图结构数据上进行操作的神经网络架构，其目的是通过聚合邻居节点的表征及其前一次迭代中的表征来迭代更新节点表征 有监督的GNN无监督的GNN训练深度图神经网络的问题：过平滑问题（其中所有的节点都有类似的特征）GNN的理论理解GNN能够达到一维Weisfeiler-Lehman测试的表达能力，甚至超越该能力，包含附加随机属性 对抗性攻击对抗性训练图神经网络前沿图分类和预测链接图生成和图转换图匹配和图结构学习动态图神经网络异质图神经网络基于图神经网络的AutoML和自监督学习图神经网络应用图构建：具有显式或隐式图结构的输入数据图表征学习
41600编辑于 2023-11-23 - 来自专栏Michael阿明学习之路
01.神经网络和深度学习 W3.浅层神经网络
神经网络概览 2. 神经网络的表示 3. 神经网络的输出 4. 多样本向量化 5. 激活函数 6. 为什么需要 非线性激活函数 7. 激活函数的导数 8. 神经网络概览 ? image.png 还有反向的求导过程 2. 神经网络的表示 ? 3. 神经网络的输出 ? 输入一个样本的特征向量，四行代码计算出一个简单神经网络的输出，那么多个样本呢？往下看 4. 随机初始化 对于一个神经网络，如果你把权重或者参数都初始化为0，那么梯度下降将不会起作用。 ? 01.神经网络和深度学习 W3.浅层神经网络（作业：带一个隐藏层的神经网络）
48910发布于 2021-02-19 - 来自专栏ShowMeAI研究中心
NLP教程(3) | 神经网络与反向传播
点击 第3讲-词向量进阶 和 第4讲-神经网络反向传播与计算图 查看的课件注释与带学解读。更多资料获取方式见文末。 然后我们把误差与将 z_1^{(3)} 映射到 a_1^{(3)} 的神经元的局部梯度相乘。 所以有 \delta_1^{(3)}=1 ③ 这里误差信号1已经到达 z_1^{(3)} 。 z_1^{(3)} 的误差信号为 \delta_1^{(3)} )。 3) 贝叶斯学习的解释 丢弃法也可以解释为一种贝叶斯学习的近似。
1K51编辑于 2022-05-04 - 来自专栏机器视觉CV
卷积神经网络之 - Inception-v3
Inception-v3 吧。 分解卷积 分解卷积的主要目的是为了减少参数量，分解卷积的方法有：大卷积分解成小卷积；分解为非对称卷积； 大卷积分解成小卷积 使用 2 个 3×3 卷积代替一个 5×5 卷积，可以减少 28% 的参数量， 另外分解后多使用了一个激活函数（卷积层后面跟着激活函数，以前只有一个 5×5 卷积，也就只有一个激活函数，现在有 2 个 3×3 卷积，也就有了 2 个激活函数），增加了非线性表达的能力，（VGGNet 分解为非对称卷积 用 1 个 1×3 卷积和 1 个 3×1 卷积替换 3×3 卷积，这样可以减少 33% 的参数量 ? 具体结构如下：简称为 Module B ? 其中左边的图是详细的结构，右边的图是结构简图 Inception-v3 架构 ?
7.9K31发布于 2020-07-23 - 来自专栏王小雷
基于Python3 神经网络的实现
基于Python3 神经网络的实现(下载源码) 本次学习是Denny Britz（作者）的Python2神经网络项目修改为基于Python3实现的神经网络（本篇博文代码完整）。 训练一个神经网络 现在，我们搭建由一个输入层，一个隐藏层，一个输出层组成的三层神经网络。输入层中的节点数由数据的维度来决定，也就是2个。相应的，输出层的节点数则是由类的数量来决定，也是2个。 神经网络作出预测原理 神经网络通过前向传播做出预测。前向传播仅仅是做了一堆矩阵乘法并使用了我们之前定义的激活函数。 δ3WT2∂L∂W2=aT1δ3∂L∂b2=δ3∂L∂W1=xTδ2∂L∂b1=δ2 \begin{aligned} & \delta_3 = y - \hat{y} \\ & \delta_2 = (1 - \tanh^2z_1) \circ \delta_3W_2^T \\ & \frac{\partial{L}}{\partial{W_2}} = a_1^T \delta_3 \\ & \
1.1K100发布于 2018-01-02 本周人工智能科技简报（2026年3月3日 - 3月10日）
过去一周（3 月 3 日至 3 月 10 日），人工智能与科技领域继续快速发展。从大模型升级、最新论文到热门开源项目与新工具，以下简报摘录了值得关注的动态。 1️⃣ 大模型最新动态 【GPT‑5.3 Instant 推出】 内容简介：OpenAI 在 3 月 3 日推出GPT‑5.3 Instant，该版本针对 ChatGPT 的常用模型优化，提供更准确的回答与更丰富的搜索结果 2️⃣ 最新论文速递 【XAI for Coding Agent Failures】 研究机构/作者：清华大学与香港科技大学团队于 3 月 6 日在 arXiv 发布论文“XAI for Coding 以上为过去一周人工智能科技领域的重点动态，涵盖大模型发布与升级、学术论文、开源项目、工具新品、Agent 框架案例以及边缘 AI 应用。 希望本期简报能为 AI 爱好者、科技从业者与产品经理提供有价值的参考。 点个【在看】， 或把它转给那个也在研究 AI 的朋友， 我们下期继续。
1.1K10编辑于 2026-03-18- 来自专栏新智元
英伟达黑科技登场！RTX神经纹理压缩，显存用量狂减96%
新智元报道 编辑：英智 【新智元导读】NVIDIA的RTX神经纹理压缩（NTC）技术通过AI算法大幅优化了3D应用中的纹理存储和渲染效率，成功将显存占用降低96%，为游戏和图形设计带来了革命性突破 在显卡技术不断迭代的当下，NVIDIA再次凭借其前沿创新，吸引了全球科技爱好者的目光。 RTX神经纹理压缩（NTC）技术在beta测试演示中的表现，堪称惊艳。 它成功地将3D应用中的内存纹理占用大幅降低，最高降幅可达96%，为图形处理领域带来了全新的变革可能。 RTX神经纹理压缩技术已经研发了数年之久，它用现代NVIDIA GPU中的张量核心，摒弃了传统的块截断编码方式，对3D应用和视频游戏纹理进行压缩。 3. NTC对游戏图形的未来发展有什么意义？ 如果NTC广泛应用，游戏行业可能会跟着改变。大家都会想办法在不降低画面质量的前提下，优化纹理大小。
98410编辑于 2025-02-15
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