- 综合排序
- 最热优先
- 最新优先
- 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
2.4K72发布于 2018-02-27 - 来自专栏智能大数据分析
【深度学习基础】深度学习导论
本专栏将开启机器学习之旅，并特别关注深度学习（deep learning，DL）的基础知识。深度学习是一套强大的技术，它可以推动计算机视觉、自然语言处理、医疗保健和基因组学等不同领域的创新。 数据集的由小变大为现代深度学习的成功奠定基础。在没有大数据集的情况下，许多令人兴奋的深度学习模型黯然失色。就算一些深度学习模型在小数据集上能够工作，但其效能并不比传统方法高。 深度强化学习（deep reinforcement learning）将深度学习应用于强化学习的问题，是非常热门的研究领域。 四、起源 为了解决各种各样的机器学习问题，深度学习提供了强大的工具。虽然许多深度学习方法都是最近才有重大突破，但使用数据和神经网络编程的核心思想已经研究了几个世纪。 虽然深度学习是机器学习的一个子集，但令人眼花缭乱的算法和应用程序集让人很难评估深度学习的具体成分是什么。这就像试图确定披萨所需的配料一样困难，因为几乎每种成分都是可以替代的。
54110编辑于 2025-01-22 - 来自专栏阿泽的学习笔记
深度学习的深度学习路程
MyEncyclopedia 公众号主浙大本硕毕业后在BAT做资深工程开发，精通Java，算法和大数据开发，本可以靠着工程能力成为P9，但出于对AI的强烈兴趣，在业余时间，自学多年，从理论到实践，并最终转行到知名公司任资深机器学习岗 MyEncyclopedia 公众号提炼自己在AI多个领域的学习心得体会：深度学习，强化学习，统计机器学习，算法与工程实现。同时，用上述多个视角来全面看待问题，坚持从第一性原理出发理解推导。 目前，MyEncyclopedia 系列文章包括 深度学习论文解析 深度强化学习实践和理论 基础统计和统计机器学习 多维度思考算法题 动手学 Sutton 强化学习教程 将来，会逐渐完善已有系列并涉及 GNN，NLP，CV，KG，RL 方向的前沿论文和动手实践，并致力于寻求联系 深入数学理论，进一步用动画来可视化，建立直觉的联系 创意编程，用深度学习，强化学习实践cool idea 如果你也想更广更深的学习深度学习和算法的话
1.4K10发布于 2021-07-06 - 来自专栏ShowMeAI研究中心
深度学习教程 | 深度学习概论
有很多人想要学习深度学习的这些工具，并应用它们来完成一些智能化应用，吴恩达老师的《深度学习专业课程》是一个非常好的资源和学习起点。 [AI是新的生产力] AI是新的生产力。 显然，AI的各个分支中，发展的最为迅速的就是深度学习。因此现在，深度学习是在科技世界中广受欢迎的一种技术。 推荐文章 深度学习教程 | 深度学习概论 深度学习教程 | 神经网络基础 深度学习教程 | 浅层神经网络 深度学习教程 | 深层神经网络 深度学习教程 | 深度学习的实用层面 深度学习教程 | 神经网络优化算法 深度学习教程 | 网络优化：超参数调优、正则化、批归一化和程序框架 深度学习教程 | AI应用实践策略（上） 深度学习教程 | AI应用实践策略（下） 深度学习教程 | 卷积神经网络解读 深度学习教程 | 经典CNN网络实例详解 深度学习教程 | CNN应用：目标检测 深度学习教程 | CNN应用：人脸识别和神经风格转换 深度学习教程 | 序列模型与RNN网络 深度学习教程 | 自然语言处理与词嵌入
3.3K51编辑于 2022-04-15 - 来自专栏Brian
深度学习笔记-深度学习实战
深度学习实战 前面总结了吴恩达的深度学习课程笔记，博主把后续的深度学习课程笔记总结记录到个人博客里面，以供学习和交流使用。今天总结的是深度学习的超参数调试、正则化和梯度检验。 改善神经网络 依次通过数据集、偏差方差、正则化、梯度爆炸和消失来掌握深度学习的基础理论。 高偏差(训练数据集)->选择一个新的网络模型(含有更多的深度学习层数和隐藏节点数的模型)->重复迭代训练直到偏差降下来为止即模型拟合数据(偏差降到可接受的范围)->检查方差是不是过高(验证数据集)->如果方差过高 ，深度学习网络是如何来实现L2正则化的呢？ 深度学习算法采用BP进行逐步迭代求解参数w和b，那么我们加入正则化后如何进行处理呢？
1.7K60发布于 2018-06-13 - 来自专栏算法微时光
深度学习之初识深度学习
注：本文内容摘自书籍<<Python深度学习 >> 深度学习的优势 深度学习从数据中进行学习时有两个基本特征: 第一,通过渐进的、逐层的方式形成越来越复杂的表示; 第二,对中间这些渐进的表示共同进行学习 总之,这两个特征使得深度学习比先前的机器学习方法更加成功。 梯度提升机,用于浅层学习问题;深度学习,用于感知问题。 为什么是深度学习,为什么是现在 深度学习用于计算机视觉的两个关键思想,即卷积神经网络和反向传播,在 1989 年就已经为人们所知。 此外,深度学习行业已经开始超越 GPU,开始投资于日益专业化的高效芯片来进行深度学习。 参考 书籍<<Python深度学习 >>
1.2K20发布于 2020-04-23 - 来自专栏算法微时光
深度学习之初识深度学习
什么是深度学习（Deep Learning） 人工智能、机器学习与深度学习 人工智能诞生于 20 世纪 50 年代,当时计算机科学这一新兴领域的少数先驱开始提出疑问:计算机是否能够“思考” 我们今天仍在探索这一问题的答案 因此,人工智能是一个综合性的领域,不仅包括机器学习与深度学习,还包括更多不涉及学习的方法。 深度学习是机器学习的一个分支领域:它是从数据中学习表示的一种新方法,强调从连续的层(layer)中进行学习,这些层对应于越来越有意义的表示。 “深度学习”中的“深度”指的并不是利用这种方法所获取的更深层次的理解,而是指一系列连续的表示层。 数据模型中包含多少层,这被称为模型的深度(depth)。 参考 <<Python深度学习 >> 神经网络 深度学习入门：一句话告诉你什么是神经网络（CNN,RNN,DNN）
1.2K10发布于 2020-04-23 - 来自专栏数据科学与人工智能
【深度学习】深度学习趋势与框架
2015 年结束了，是时候看看 2016 年的技术趋势，尤其是关于深度学习方面。新智元在 2015 年底发过一篇文章《深度学习会让机器学习工程师失业吗？》，引起很大的反响。 深度学习，或者更宽泛地说——使用联结主义架构的机器学习算法，可能会让机器学习算法变成过去时，因为深度学习算法还远远不是饱和状态。 新智元整理了业内人士关于 2016 年的深度学习技术展望，以及 2015 年深度学习最流行的 10 大框架。 我们会看到深度学习在非监督学习和增强学习方面的突出表现。 Eli David：Deep Instinct CTO 在过去两年，我们看到了深度学习在各个领域获得很大突破。 MXNetJS 允许你在各种计算图像中，运行最新水平的深度学习预测，并给客户端带来深度学习的乐趣。
1.5K50发布于 2018-02-27 - 来自专栏数据科学与人工智能
【深度学习】深度学习入门资源索引
深度学习（Deep Learning）属于非常前沿的学科，没有现成的的综合型教材，主要是通过阅读大量论文和代码练习来学习。 代码方面推荐使用python为基础的theano框架，因为它比较偏底层，可以从细节掌握如何构建一个深度学习模块，而且方便结合python在数据领域的其它积累，例如numpy。 5、自然语言处理中的深度学习： http://cs224d.stanford.edu/ 本教程则偏重于深度学习在自然语言处理领域的运用，词向量等方面知识由此深入。 9、机器学习教程 https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ 牛津大学的机器学习课程，讲到了大量深度学习和强化学习的内容 11、去kaggle实战玩玩吧 http://www.kaggle.com/ 来源：深度学习实验室
1.3K80发布于 2018-02-27 - 来自专栏全栈程序员必看
深度学习—1.认识深度学习
一、人工智能、机器学习、深度学习的关系 通过一张图像来解释人工智能、机器学习。深度学习三者关系。 ，但在手动特征提取过程中工程庞大，逻辑复杂非常耗时，依恋经验； （3）深度学习是一种高效的机器学习算法，将特征提取与算法融合到一起让机器学习进行分辨。 三者关系如下图所示： 如上图所示 ，深度学习和机器学习的区别在于特征提取和算法的过程，机器学习依靠人工提取，提取过程与算法是分开的；而深度学习特征提取与算法是在一起的，深度学习是机器学习领域的一个新的方向 那么我们来定义一下深度学习： 深度：多层的人工神经网络结构，可以只有一层，也可以有很多层 学习：通过大量的数据进行学习，正向传播到最终到达输出层，通过误差的反向传播进行模型网络的不断修正。 二、 深度学习入门 2.1 生物神经网络 生物神经网络（Biological Neural Networks）一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。
1.2K21发布于 2021-10-08 - 来自专栏JNing的专栏
深度学习: 深度学习框架 横向对比
Tensorflow 由 Python API 编写，通过 C/C++引擎 加速； 使用 数据流图 生成 深度学习 中 最常见的 基本单元 。 指定的默认graph 中进行操作) Session (会去遍历那些具有依赖关系的op) Operation (节点) ---- [1] TensorFlow和Caffe、MXNet、Keras等其他深度学习框架的对比
1.2K20发布于 2018-09-28 - 来自专栏下落木
深度学习
深度学习三剑客的坚持： LeCun:“这种算法很有价值，不知为什么要放弃它。” Hinton: “智能产生于人脑，所以从长远来说，人工智能应该像大脑系统一样工作。” 2006年是深度学习的起始年，Hinton在SCIENCE上发文，提出一种叫做自动编码机（Auto-encoder）的方法，部分解决了神经网络参数初始化的问题。 第一层卷积要学习的参数个数有5*5*3*6=75*6=450个，即6个卷积核。 深度学习已变成数据和运算能力的比拼，训练样本个数、GPU。 Transfer Learning迁移学习 把一个Domain的经验迁移到另一个Domain上去。
80421发布于 2021-10-13 - 来自专栏联远智维
深度学习
对于狼而言，在不同的环境下或者不同的姿势拍的图片具有明显区别，但是如果狼和狗都在同一个环境下得到的图片，有可能十分的相似，采用浅层分类有可能具有很大的误差，因此，如何选取特征是一个重点），这个时候需要采用深度学习 深度学习、人工智能和机器学习的概念 http://www.cnbruce.com/blog/showlog.asp?cat_id=37&log_id=1422
19310编辑于 2022-01-20 - 来自专栏freesan44
深度学习
相对于w的损失的梯度，因此与w的形状相同 db - 相对于b的损失梯度，因此与b的形状相同 num_iterations - 优化循环的迭代次数 learning_rate - 梯度下降更新规则的学习率 - 真正的“标签”向量（如果非猫，则包含0，如果是猫则包含1），形状（1，示例数） num_iterations - 优化循环的迭代次数 learning_rate - 梯度下降更新规则的学习率 学习率 一一 确定我们更新参数的速度。如果学习率太大，我们可能会“超调”最佳值。同样，如果它太小，我们将需要太多的迭代来收敛到最佳值。这就是为什么使用良好调整的学习率至关重要。 3、调整学习速率（这是“超参数”的一个示例）可以对算法产生很大的影响。 [线性回归.png] [朴素贝叶斯.png] [逻辑回归.png] [决策树.png] [支持向量机.png] [集成学习.png] [聚类分析要点.png]
59310发布于 2021-10-12 - 来自专栏深度学习
【深度学习】强化学习（五）深度强化学习
上述概念可详细参照：【深度学习】强化学习（一）强化学习定义 4、马尔可夫决策过程 为了简化描述，将智能体与环境的交互看作离散的时间序列。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习一个良好的策略来使智能体在与环境的交互中获得尽可能多的平均回报。 关于值函数可详细参照：【深度学习】强化学习（四）强化学习的值函数 7、深度强化学习 深度强化学习是将强化学习和深度学习结合在一起，用强化学习来定义问题和优化目标，用深度学习来解决状态表示、策略表示和值函数建模等问题 为了解决这些挑战，深度强化学习（Deep Reinforcement Learning，DRL）将强化学习与深度学习相结合，利用深度神经网络来有效地处理复杂的环境。 1. 关键要素 策略函数的深度表示： 传统的策略函数可能是基于表格的 在深度强化学习中，策略函数通常由深度神经网络表示，使得智能体能够处理高维状态空间，学习复杂的决策规则。
1.4K10编辑于 2024-07-30 - 来自专栏ShowMeAI研究中心
深度学习教程 | 深度学习的实用层面
1.数据划分：训练 / 验证 / 测试集 [训练，验证，测试集 Train / Dev / Test sets] 1.1 深度学习实践迭代优化 实际应用深度学习是一个迭代过程。 而在深度学习中，我们可以同时减小Bias和Variance，构建最佳神经网络模型。 吴恩达专项课程 · 全套笔记解读 推荐文章 深度学习教程 | 深度学习概论 深度学习教程 | 神经网络基础 深度学习教程 | 浅层神经网络 深度学习教程 | 深层神经网络 深度学习教程 | 深度学习的实用层面 深度学习教程 | 神经网络优化算法 深度学习教程 | 网络优化：超参数调优、正则化、批归一化和程序框架 深度学习教程 | AI应用实践策略（上） 深度学习教程 | AI应用实践策略（下） 深度学习教程 | 卷积神经网络解读 深度学习教程 | 经典CNN网络实例详解 深度学习教程 | CNN应用：目标检测 深度学习教程 | CNN应用：人脸识别和神经风格转换 深度学习教程 | 序列模型与RNN网络 深度学习教程
1.6K22编辑于 2022-04-14 - 来自专栏智能大数据分析
【现代深度学习技术】深度学习计算 | GPU
深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。 深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。 本专栏介绍基于PyTorch的深度学习算法实现。 我们回顾了过去20年计算能力的快速增长。简而言之，自2000年以来，GPU性能每十年增长1000倍。 Z.cuda(1) is Z （三）旁注 人们使用GPU来进行机器学习，因为单个GPU相对运行速度快。但是在设备（CPU、GPU和其他机器）之间传输数据比计算慢得多。 深度学习框架要求计算的所有输入数据都在同一设备上，无论是CPU还是GPU。 不经意地移动数据可能会显著降低性能。
51000编辑于 2025-02-15 - 来自专栏数据科学与人工智能
【深度学习】深度学习概述：从感知机到深度网络
除去这些因素，AI尤其是机器学习领域出现的一股新潮流很大程度上推动了这次复兴——深度学习。本文中我将介绍深度学习背后的关键概念及算法，从最简单的元素开始并以此为基础进行下一步构建。 换句话说，一层隐含层就强大到可以学习任何函数了。这说明我们在多隐含层（如深度网络）的实践中可以得到更好的结果。 下面我们来看看一些深度学习的算法是如何面对这些难题的。 自编码器 大多数的机器学习入门课程都会让你放弃前馈神经网络。但是实际上这里面大有可为——请接着看。 神经网络的思想已经出现了很长时间，但是今天，你如果身处机器学习领域而不知道深度学习或其它相关知识是不应该的。 现在正是最佳的时间深入这些方面的学习。 附录：相关资源 如果你想更深入的学习，下面的这些资源在我的工作当中都起过重要的作用： DeepLearning.net: 深度学习所有方面知识的一个门户。
1K100发布于 2018-02-27 - 来自专栏数据科学与人工智能
【深度学习】五个问题迅速了解“深度学习”
深度学习领域是计算机科学一个新兴领域，通俗说来就是构建像人脑一样处理数据的计算机程序。深度学习首先发起于学术界，目前各大互联网巨头也纷纷投入研究，随着媒体的报道增多，“深度学习”也成为近期热词。 ▼▼▼ 那么，深度学习到底是什么呢？ 好信侠就试着简化深度学习的概念 用五个问题帮你快速了解。 ▼▼▼ ? ➤ 深度学习是什么？ 深度学习更适合无标记数据，因而它并不局限于以实体识别为主的自然语言处理(NLP)领域。 ➤ 深度学习与机器学习相比表现如何? ➤ 深度学习的“深度”体现在哪里 论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。 那么深度学习的“深度”本质上又指的是什么呢？
1.1K100发布于 2018-02-27 - 来自专栏云+分享
深度学习 | 《深度学习入门之PyTorch》阅读笔记
深度学习入门之PyTorch 第一章 深度学习介绍 1.1 人工智能 Artificial Intelligence，人工智能，也称机器智能。 人工智能分为三大类 （1）弱人工智能：擅长单方面 （2）强人工智能：类似人类等级 （3）超人工智能：全方面胜过人类 1.2 数据挖掘，机器学习和深度学习 1.2.1 数据挖掘 KDD（knowledge （5）增强学习：通过观察周围环境来学习 1.2.3 深度学习 机器学习的一个分支，通过模拟人脑来实现数据特征的提取 常见网络结构：DNN，CNN，RNN，GAN等等 第二章 深度学习框架 2.1 深度学习框架介绍 代码简洁直观，底层代码友好 2.3 配置PyTorch深度学习环境 2.3.1 操作系统 Windows，Linux，Mac 2.3.2 Python开发环境的安装 Anaconda 2.3.3 PyTorch 4.2.1 卷积层 卷积层是卷积神经网络的核心 1.概述 卷积神经网络的参数，是由一些可学习的滤波器集合构成，每个滤波器在空间上（宽度和高度）都比较小，但深度和输入数据的深度保持一致。
1.8K22编辑于 2021-12-14
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