- 综合排序
- 最热优先
- 最新优先
- 来自专栏米扑专栏
5大科技巨头的战争
如果你是一个时刻关注科技新闻的人，你会发现近几年来互联网的科技新闻有很大一部分是围绕着这几家公司展开的：Apple、Google、Facebook、Amazon、Microsoft，其中前四家是Google Amazon 从电子商务起家的，如今出现在人们眼前的已经不仅仅是一家电商，更是一家科技巨头。
55630发布于 2019-02-19 - 来自专栏PPV课数据科学社区
【科技必看】IBM：未来5年的5大预测
IBM 刚刚公布了最新的未来 5 年 5 大预测。这些预测是通过对 22 万技术从业者的调查后，由 IBM 的众多实验室通力分析得出的结论。 概而言之，IBM 的这 5 项预测是： —更智慧的教室 —更智慧的商店 —更智慧的医疗 —更智慧的安全 —更智慧的城市 这些预测均基于一个事实：机器正变得越来越智慧，越来越紧凑。 但是 IBM 预计在 5 年内医生将会通过将病人的 DNA 与治疗结果关联来帮助恢复健康。 5、更智慧的城市 IBM 认为未来的城市将会帮助居民更好地生活。预计到 2030 年发展中世界的城镇人口将占全球城镇人口的 80%，而到了 2050 年，全球人口的 70% 都将是城市人口。
759100发布于 2018-04-20 - 来自专栏机器学习算法工程师
《机器学习》笔记-神经网络（5）
章节目录 神经元模型 感知机与多层网络 误差逆传播算法 全局最小与局部最小 其他常见神经网络 深度学习 1 神经元模型 神经网络（neural networks）方面的研究很早就已出现，其中最基本的元素是神经元 要解决非线性可分问题，需考虑使用多层神经元功能， ? 输入层与输出层之间的一层神经元被称为隐层或隐含层（hidden layer），隐含层和输出层神经元都是拥有激活函数的功能神经元。 神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权”（connection weight）以及每个功能神经元的阈值；换言之，神经网络“学”到的东西，蕴含在连接权和阈值中。 现实任务中使用神经网络时，大多是使用BP算法进行训练。值得指出的是，BP算法不仅可用于多层前馈神经网络，还可以用于其他类型的神经网络，如递归神经网络。 5 其他常见神经网络 RBF网络 5.1 RBF（Radial Basis Function，径向基函数）网络是一种单隐层前馈神经网络，它使用径向基函数作为隐藏层神经元激活函数，而输出层则是对隐层神经元输出的线性组合
84870发布于 2018-03-06 - 来自专栏大数据文摘
碟中谍5中的科技：详解“步态分析”
雷锋网授权转载 作者：宫雅卓（聚虹光电创始人，上海交大博士，主攻生物识别领域，在虹膜识别研究领域有15年专研） 网站: http://www.leiphone.com/ 微信: leiphone-sz 《碟中谍5》 （《碟中谍5》中的步态分析系统） 步态，指人行走的姿态，是一种人类的行为特征。步态分析，就是通过记录、观察、分析身体运动方式，建立步态模型，并提取稳定的参数特征，通过计算机去识别的过程。 从解剖学的角度分析，步态唯一性的物理基础是每个人生理结构的差异性，不一样的腿骨长度、不一样的肌肉强度、不一样的重心高度、不一样的运动神经灵敏度，共同决定了步态的唯一性。 如同《碟中谍5》所展现出的未来，生物特征识别技术显示出一种发展趋势： 将多种生物识别技术组合起来，根据应用场景、用户条件、安全等级自动切换，即多模态识别技术，它可以把识别精度、采集距离、防盗防伪、简单易用等多种特点融为一体 （“步态+虹膜”的多模态识别应用） 步态是远距离识别的代表，而虹膜是近距离识别的王者，将两者的优点（高易用性、高精确性）集于一身的多模态识别方式，正是《碟中谍5》启发我们提出的最具技术前瞻性的方案。
1.4K100发布于 2018-05-21 - 来自专栏机器学习算法与Python学习
5 个原则教你Debug神经网络
整理 | 琥珀 出品 | AI科技大本营（公众号id：rgznai100） 很多情况下，研究人员会遇到一个问题：使用机器学习框架实现的神经网络可能与理论模型相去甚远。 从繁就简 具有正规化和学习率（learning rate）调度器的复杂架构的神经网络，将单一神经网络更难调试。 检查中间输出和连接 为了调试神经网络，你需要理解神经网络内部的动态、不同中间层所起的作用，以及层与层之间是如何连接起来的。 ：破译单个神经元或一组神经元的激活函数； 基于梯度的方法：在训练模型时，操作由前向或后向通道形成的梯度。 在训练时，以某个概率 p（超参数）保持神经元活动来实现丢失，否则将其设置为 0。结果，网络必须在每个训练 batch 中使用不同的参数子集，这减少了特定参数的变化而变得优于其他参数。 5.
1.7K20发布于 2019-07-04 - 来自专栏python 自动化测试
【每日科技】苹果5G芯片研发失败......
6月30日，这是今天为您推送的科技消息 2022.06.30 | 星期四 多年来，iPhone的信号问题，一直被大家诟病。苹果也一直尝试自研5G芯片来解决，但最新消息显示，苹果再次失败了。 苹果自研5G芯片 传噩耗 天风国际分析师郭明錤，本周二在推特上发文称，苹果自研 iPhone 5G 芯片研发可能已经失败，高通成为了2023年iPhone的唯一5G基带芯片供应商。 这次消息的焦点：基带芯片，被认为是智能手机的“神经中枢”，决定着通话质量和数据传输速度。没有基带芯片，手机将不能生成和解析信号，无法实现通信网络功能。 自此，苹果走上了自研5G基带芯片的道路。 苹果还需要 2-3年时间 郭明錤称，尽管苹果自研5G芯片的进度受阻，但苹果将会继续研发自己的5G芯片，可能还需要2-3年的研发。 生于天地间 岂能久居人下 目前，渴求自研5G基带芯片，却仍不可得的苹果，虽然再次接受了高通，间接承认了，高通在5G芯片领域无可替代的事实。
45310编辑于 2022-08-25 - 来自专栏信数据得永生
TensorFlow 卷积神经网络实用指南：1~5
人工神经网络 人工神经网络（ANN）受存在于我们大脑中的神经元生物网络的启发非常模糊，它由一组名为人工神经元的单元组成， 分为以下三种类型的层： 输入层 隐藏层 输出层 基本的人工神经元通过计算输入及其内部权重之间的点积来工作 训练神经网络 那么，我们该如何在神经网络中设置权重和偏差的值，从而最好地解决我们的问题呢？ 好吧，这是在训练阶段完成的。 在此阶段中，我们希望使神经网络从训练数据集中“学习”。 /logs/xor_logs 卷积神经网络 现在，我们将讨论另一种类型的神经网络，该网络专门设计用于处理具有某些空间特性的数据，例如图像。 这种类型的神经网络称为卷积神经网络（CNN）。 但是，在 2012 年，挑战赛的冠军 SuperVision 将前 5 名的分类错误率降低到了 16.4%。 团队模型（现在称为 AlexNet）是一个深度卷积神经网络。 如果回头看图右侧的第二层，可以看到第二层中的一个神经元具有3x3的感受域： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-56vG5sVl-1681568351299)(
1.3K10编辑于 2023-04-23 - 来自专栏AI科技评论
ICLR 2020 | 神经正切，5行代码打造无限宽的神经网络模型
左图：示意图显示了深度神经网络在无限宽的情况下如何产生简单的输入/输出映射；右图：随着神经网络宽度的增加，我们看到网络在不同的随机实例上的输出分布变为高斯分布。 2 神经正切 为了解决这个问题，并加速深度学习的理论进展，谷歌研究者提出了一种新的开源软件库“神经正切”(Neural Tangents)，允许研究人员像训练有限宽的神经网络一样容易地构建和训练无限宽的神经网络 其核心是：神经正切提供了一个易于使用的神经网络库，可以同时构建有限和无限宽的神经网络。 先举个神经切线的应用示例，想象一下在某些数据上训练一个完全连接的神经网络。 但是，当神经网络变得无限宽时，通过高斯过程描述该集成，它的均值和方差在整个训练过程中便能被计算出来。 3 实验和结果 使用神经正切，只需五行代码就可以构造和训练这些无限宽网络集成！ 上述示例显示了无限宽神经网络在捕捉训练动态方面的能力。然而，使用神经正切构建的网络可以应用于任何问题，即可以应用一个常规的神经网络来解决这些问题。
71130发布于 2020-04-21 - 来自专栏机器学习炼丹之旅
CS231n：5 卷积神经网络
比如说，在第一个卷积层中比较典型的过滤器大小为 5*5*3，即在长宽方向上只占了5个像素，但是在深度上占据了输入的全部（输入为图像，所以深度表示通道，为3表示RGB3通道）。 比如说，输入的数据维度为 32*32*3，如果感受野为 5*5，那么在这一个卷积层上的神经元参数为5*5*3，其第三个维度必须为3，因为输入的数据深度为3。 距离来说，当你堆叠了两个感受野为 3*3 的卷积层时，你会发现他们的感受野等同于一个 5*5 的卷积层。如果你使用空洞卷积，你就能更高效地提升感受野了。 卷积层： 应该使用小的过滤器（比如 3*3 或者 5*5 ），使用步长 S = 1，并且最关键的是使用0填充来避免对输入图像空间维度的改变。 也就是说，当过滤器大小 F = 3 时，填充 P = 1 ；F = 5,P = 2。对于一般的 F ，有公式 P = (F-1)/2，这样就不会改变输入的空间尺度。
68420编辑于 2022-08-08 - 来自专栏全栈程序员必看
【深度学习】5：CNN卷积神经网络原理
前言：先坦白的说，深度神经网络的学习在一开始对我造成的困扰还是很大的，我也是通过不断地看相关的视频资料、文献讲解尝试去理解记忆。 ∗ 5 5*5 5∗5的，输入的通道数是1，输出的通道数是32 卷积核的值这里就相当于权重值，用随机数列生成的方式得到 由于MNIST数据集图片大小都是 28 ∗ 28 28*28 28∗28，且是黑白单色 ∗ 5 5*5 5∗5的，第二次输入的通道数是32，输出的通道数是64 第一次卷积+池化输出的图片大小是 14 ∗ 14 ∗ 32 14*14*32 14∗14∗32，经过第二次卷积后图片尺寸变为： 14 每次只让部分神经元参与工作使权重得到调整。 只有当keep_prob = 1时，才是所有的神经元都参与工作 全连接层2设置有10个神经元，相当于生成的分类器 经过全连接层1、2，得到的预测值存入prediction 中 7、梯度下降法优化、求准确率
1.3K20编辑于 2022-09-13 - 来自专栏机器学习/数据可视化
吴恩达笔记5_神经网络
吴恩达机器学习-5-神经网络学习Neural Networks Learning 本文是在上节神经网络的基础上，做了进一步的阐述，内容包含： 神经网络代价函数 反向传播法及解释 梯度检验 神经网络的小结 神经网络代价函数 参数解释 对几个参数的标记方法进行说明解释： m：训练样本个数 x，y：输入和输出信号 L：代表神经网络层数 {S}_{I}：每层的神经元个数 {S}_{l}：表示输出神经元个数 ? 但是在神经网络中会有多个输出变量，h_\theta(x)是一个K维的向量。 假设第i个输出函数： ? 代价函数J表示为： ? 神经网络是4层的，其中{K={S_L}=L=4} ? 前向传播法就是通过一层层地按照神经网络的顺序从输入层到输出层计算下去。 反向传播例子 ? 从最后一层的误差开始计算: ? 神经网络小结 首要工作 在构建神经网络的时候，首先考虑的是如何选择网络结构：多少层和每层多少个神经单元 第一层的单元数即我们训练集的特征数量。 最后一层的单元数是我们训练集的结果的类的数量。
52710发布于 2021-03-02 - 来自专栏用户6005508的专栏
5G来了，金融科技行业将有哪些变化？
那么当5G网络应用于金融科技领域时，又将给这个行业带来哪些变化？ 01 缩短金融交易流程、推进人工智能在金融科技行业的普及。 5G技术最为人称道的特点是速度快。 未来，随着5G技术的推广，人工智能在金融科技领域的应用也将更加普及。 02 移动支付技术将更加安全，金融诈骗现象能得到有效遏制。 有人说，从1G到4G，是一部科技进步史，也是一部金融进化史。今后随着5G技术的成熟以及广泛应用，技术与金融融合，将进一步推动金融科技领域的发展和变革。 而中国作为5G时代的领先者，也将有望带动中国金融科技公司引领世界。 未来，金融科技行业究竟会与5G擦出怎样的火花，请拭目以待。
46600发布于 2019-08-14 - 来自专栏AI机器视觉
阿丘科技之AIDI高级应用讲解一（5）
导入混合图后，图像显示区会显示混合图每张子图，通过方向键左右切换，或者通过标注工具栏中图片id切换
4.4K31编辑于 2022-06-01 - 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 - 来自专栏智能仓储物流技术研习社
前沿|国外的物流自动化黑科技-5
古人云“师夷长技以制夷”，我们国内在闷头自己搞自己的智能仓储物流自动化各种设计，应用和落地的项目时，也应该抽出时间来看一下国际上有哪些所谓的黑科技？ 继上几篇介绍的创新技术后，我们再来看看还有其他的黑科技。 http://mpvideo.qpic.cn/tjg_3572729273_50000_340d53775f0b445aa43a16367f5d8fa0.f10002.mp4? dis_k=2c19cc012ee0f45b5d6f299e34f5e369&dis_t=1586423157
46510发布于 2020-04-09 - 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 介绍 当前很多CNN模型的发展方向是变得更大，更深，这让深度卷积神经网络的准确率更高，但难以运行在移动设备上，针对这一问题，许多工作的重点放在对现有预训练模型的剪枝，压缩或使用低比特表示。 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。 实验 实验在ImageNet的分类数据集上做评估，大多数遵循ResNeXt的设置，除了两点： 权重衰减从1e-4降低到了4e-5 数据增强使用较少的aggressive scale增强 这样做的原因是小网络在模型训练的过程中经常会遇到欠拟合而不是过拟合问题
1.3K20发布于 2020-02-21 - 来自专栏企鹅号快讯
这5项高科技 正在颠覆未来医疗
作者：ken 正如神经学家V.S.Ramachandran所说，所有颠覆性的新科技都源于一个可能真实的、想象出来的概念，而颠覆性的计算机技术，也必然会带来医疗卫生保健和生命科学领域的大变革。 适应新科技是一个缓慢的过程，医疗相对其他学科而言则历时更久。 医疗行业适应新科技较为缓慢，但新科技带来的改变通常是颠覆性的。医药的近代史包括一段很长时间的渐进式创新（比如在描绘基因图谱上做出的努力），共病症状引发的突破性创新（比如单克隆抗体的开发）。 我们相信这个变化会发生，因为人工智能（AI）、大数据、区块链技术、机器人技术和3D打印技术这5项高科技正向医疗领域渗透。 如上提到的5项技术，任何一项的进步都将极大的改变目前的生物医学现状。
92690发布于 2018-01-23 - 来自专栏红色石头的机器学习之路
吴恩达《神经网络与深度学习》精炼笔记（5）-- 深层神经网络
上节课我们主要介绍了浅层神经网络。首先介绍神经网络的基本结构，包括输入层，隐藏层和输出层。 最后介绍了神经网络参数随机初始化的必要性，特别是权重W，不同神经元的W不能初始化为同一零值。本节课是对上节课的延伸和扩展，讨论更深层的神经网络。 如下图所示，分别列举了逻辑回归、1个隐藏层的神经网络、2个隐藏层的神经网络和5个隐藏层的神经网络它们的模型结构。 命名规则上，一般只参考隐藏层个数和输出层。 对于比较复杂的问题，再使用较深的神经网络模型。 5 Building blocks of deep neural networks 下面用流程块图来解释神经网络正向传播和反向传播过程。 树突接收外界电刺激信号（类比神经网络中神经元输入），传递给细胞体进行处理（类比神经网络中神经元激活函数运算），最后由轴突传递给下一个神经元（类比神经网络中神经元输出）。
66610编辑于 2022-01-12 - 来自专栏人工智能LeadAI
LeNet5的基本结构 | 卷积神经网络
在机器视觉，图像处理领域，卷积神经网络取得了巨大的成功。本文将参考UFLDL和DEEPLEARNING.NET的教程，结合自己的理解，梳理一下卷积神经网络的构成以及其BP算法的求解。 虽然利用theano可以方便的实现LeNet5，但是不利于学习和理解卷积神经网络，所以最后会自己动手用python实现一个简单的LeNet5，并尝试利用python的PyCUDA库进行加速。 其中K表示由L层到L+1层要产生的feature的数量，表示“卷积核”，表示偏置，也就是bias，令卷积核的大小为5*5，总共就有6*（5*5+1）=156个参数，对于卷积层C1，每个像素都与前一层的5 卷积核大小依然为5*5，所以总共有6*（3*5*5+1）+6*（4*5*5+1）+3*（4*5*5+1）+1*（6*5*5+1）=1516个参数。而图像大小为10*10，所以共有151600个连接。 C5是卷积层，总共120个feature map，每个feature map与S4层所有的feature map相连接，卷积核大小是5*5，而S4层的feature map的大小也是5*5，所以C5的feature
1.4K70发布于 2018-03-08
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