自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

<sub id="nar6j"><p id="nar6j"></p></sub>

AI.x社區(qū)

軟考社區(qū)

企業(yè)培訓

鴻蒙開發(fā)者社區(qū)

WOT技術大會

公眾號矩陣

移動端

視頻課免費課排行榜短視頻直播課軟考學堂

全部課程軟考華為認證廠商認證 IT技術 PMP項目管理免費題庫

文章資源問答課堂專欄直播

51CTO

鴻蒙開發(fā)者社區(qū)

51CTO技術棧

51CTO官微

51CTO學堂

51CTO博客

CTO訓練營

鴻蒙開發(fā)者社區(qū)訂閱號

51CTO軟考

51CTO學堂APP

51CTO學堂企業(yè)版APP

鴻蒙開發(fā)者社區(qū)視頻號

51CTO軟考題庫

賬號設置退出

深度學習

1694內(nèi)容??

關注

涵蓋深度學習相關模型、框架、開發(fā)與應用知識。

文章博文課程

共 1694 條

米少熬好粥—數(shù)據(jù)有限時怎樣調(diào)優(yōu)深度學習模型

所謂遷移學習，就是將一個問題上訓練好的模型通過簡單的調(diào)整，使其適用一個新的問題，可以認為是一種模型調(diào)優(yōu)的“取巧”方法?？梢灶惐热说呐e一反三能力。

2017-07-27 14:50:59

深度學習遷移學習花式調(diào)優(yōu)

如何用自動機器學習實現(xiàn)神經(jīng)網(wǎng)絡進化

對大多數(shù)從事機器學習工作的人來說，設計一個神經(jīng)網(wǎng)絡無異于制作一項藝術作品。在本文中，我將介紹一個使用進化算法優(yōu)化CNN超參數(shù)的例子。

2017-07-27 10:46:44

神經(jīng)網(wǎng)絡機器學習強化學習

7個深度神經(jīng)網(wǎng)絡可視化工具，不可錯過！

為了更方便 TensorFlow 程序的理解、調(diào)試與優(yōu)化，Google 發(fā)布了一套叫做 TensorBoard 的可視化工具。你可以用 TensorBoard 來展現(xiàn)你的 TensorFlow 圖像，繪制圖像生成的定量指標圖以及附加數(shù)據(jù)。

2017-07-26 16:48:46

神經(jīng)網(wǎng)絡可視化工具 TensorFlow

CVPR 2017論文解讀：特征金字塔網(wǎng)絡FPN

近日，CVPR 2017獲獎論文公布，引起了業(yè)內(nèi)極大的關注。但除了這些獲獎論文，還有眾多精彩的論文值得一讀。

2017-07-26 10:32:51

計算機視覺卷積神經(jīng)網(wǎng)絡 FPN

聊聊數(shù)據(jù)挖掘競賽中的套路與深度學習的局限

這篇文章都是實戰(zhàn)經(jīng)驗，精華！

2017-07-25 15:21:42

數(shù)據(jù)挖掘深度學習模型

獨家 | 教你在R中使用Keras和TensorFlow構建深度學習模型

隨著Keras在R中的實現(xiàn)，語言選擇的斗爭又重新回到舞臺中央。Python幾乎已經(jīng)慢慢變成深度學習建模的默認語言，但是隨著在R中以TensorFlow(CPU和GPU均兼容)為后端的Keras框架的發(fā)行, 即便是在深度學習領域，R與Python搶占舞臺的戰(zhàn)爭也再一次打響。

2017-07-24 13:37:42

深度學習 Keras TensorFlow

用深度學習來解析夢境中出現(xiàn)的物體（完整版）

前一周去開ASSC 的時候聽到一個很有趣的工作，用深度學習來解析人類夢境中出現(xiàn)的物體類別。我見到的為數(shù)不多融合深度學習和神經(jīng)科學的工作?；貋碇蠓讼孪嚓P文章，來在這分享下。

2017-07-20 15:39:48

深度學習神經(jīng)科學解析夢境

聽Cloudera首席架構師Doug Cutting談Hadoop與人工智能原創(chuàng)

Doug Cutting是開源界的技術大神，無論是2000年的Lucene，還是后來基于Lucene衍生的企業(yè)級搜索項目Solr以及ElasticSearch，當然還包括后來風靡全球的Hadoop，他經(jīng)手的每個開源項目都影響甚廣并表現(xiàn)出色，盡管筆者不是長期奮戰(zhàn)在技術一線的程序員，但也久聞大名，這次采訪讓筆者期待已久。

2017-07-20 10:31:33

Cloudera Doug Cuttin Hadoop

基于 boosting 原理訓練深層殘差神經(jīng)網(wǎng)絡

文章指出一種基于 boosting（提升）原理，逐層訓練深度殘差神經(jīng)網(wǎng)絡的方法，并對性能及泛化能力給出了理論上的證明。

2017-07-19 11:39:25

深度學習人工智能 boosting

國美深度學習初體驗，開啟社交電商的智能時代！原創(chuàng)

相對于機器學習和深度學習，人工智能的概念更為寬泛。在機器學習方法興起之前，大部分的人工智能應用都是基于邏輯推理實現(xiàn)，即設定N多規(guī)則，在不同場景，讓機器或者程序做選擇。

2017-07-19 10:26:15

國美深度學習社交電商

深度神經(jīng)網(wǎng)絡的數(shù)學基礎，對你來說會不會太難？

這是一篇講解深度學習數(shù)學的系列文章，但并非是基礎數(shù)學，還涉及到了拓撲與測度論等內(nèi)容。

2017-07-18 11:40:44

深度神經(jīng)網(wǎng)絡數(shù)學基礎拓撲

一文讀懂矩陣的秩和行列式的意義

詳解人工神經(jīng)網(wǎng)絡中最基本的運算單元：矩陣。

2017-07-18 10:38:27

人工神經(jīng)網(wǎng)絡矩陣模型

深度學習訓練時 GPU 溫度過高？輸入這幾行命令就能迅速降溫

GPU 如何降溫？

2017-07-17 11:13:57

CPU 降溫深度學習

你知道么？你的每一次外賣都是與深度學習的美麗邂逅

很多同學認為外賣是線上下單、線下送餐的業(yè)務，商業(yè)模式簡單，這種想法正確但是理解片面，它不僅需要技術，而且要用深度學習來解決。那么，外賣為什么需要技術?為什么需要深度學習技術?

2017-07-15 16:06:09

外賣深度學習 O2O

使用深度學習檢測DGA（域名生成算法）

本文我將為大家介紹一種，簡單而有效的DGA生成域的檢測技術。我們將利用神經(jīng)網(wǎng)絡(或稱之為深度學習)更具體的來講就是長短期記憶網(wǎng)絡(LSTM)，來幫助我們檢測DGA生成域。首先我們會探討深度學習的優(yōu)勢，然后我將進一步的通過實例來驗證我的論述。

2017-07-14 10:35:06

深度學習 DGA 域名

DeepTraffic:MIT模擬游戲利用深度學習來緩解交通擁堵

被堵在路上是個又喪又費錢的事兒，除了讓人頭疼還可能導致錯過約炮，交通堵塞使美國司機每年多花3000億。Deep Traffic模擬典型的高速公路環(huán)境，其玩家使用深度學習來控制自己的汽車。該模擬使初學者對復雜的技術概念易于上手，而游戲化推動了專家開發(fā)全新的技術。

2017-07-14 09:45:11

深度學習 Deep Traffi 交通擁堵

聽說你了解深度學習最常用的學習算法：Adam優(yōu)化算法？

Adam 優(yōu)化算法是隨機梯度下降算法的擴展式，近來其廣泛用于深度學習應用中，尤其是計算機視覺和自然語言處理等任務。

2017-07-13 10:03:43

優(yōu)化算法 Adam 深度學習

卷積神經(jīng)網(wǎng)絡不能處理“圖”結構數(shù)據(jù)？這篇文章告訴你答案

卷積神經(jīng)網(wǎng)絡（CNN）無法有效處理 Non-Euclidean 數(shù)據(jù)？

2017-07-12 16:56:42

卷積神經(jīng)網(wǎng)絡結構數(shù)據(jù)CNN

情感計算是人機交互核心？談深度學習在情感分析中的應用

除自然語言理解（NLU）外，情感計算（Affective Computing）也成為近年來 AI 領域熱門的研究方向之一。本文將梳理一下情感計算在人機交互中的價值，同時分享一些情感分析的工具與方法。希望對從事人機交互研究的朋友們有所啟發(fā)。

2017-07-12 10:44:31

深度學習的先入之見、局限性及其未來

近日，加州大學圣克魯茲分校（UCSC）斯圖爾特實驗室博士后 Pablo Cordero 在其個人博客上發(fā)表了首篇文章《WHEN NOT TO USE DEEP LEARNING》，探討了深度學習的當前現(xiàn)狀和先入之見，并分析了其局限性。

2017-07-12 10:00:22

深度學習小數(shù)據(jù)樣本深度網(wǎng)絡

以撩妹為例，5分鐘讓你秒懂深度學習！原創(chuàng)

今天，面對 AI 如此重要的江湖地位，深度學習作為重要的一個研究分支，幾乎出現(xiàn)在當下所有熱門的 AI 應用領域，其中包含語義理解、圖像識別、語音識別，自然語言處理等等，更有人認為當前的人工智能等同于深度學習領域。

2017-07-12 09:54:33

深度學習 AI 人工智能

深度學習的先入之見、局限性及其未來

在本文中，我將介紹幾個機器學習的應用案例，其中深度學習在應用和處理先入之見方面并沒有太多實際意義，我認為正是這些先入之見(preconception)阻礙了深度學習的應用，尤其是對于入門者來說。

2017-07-11 15:25:53

深度學習人工智能

【W(wǎng)OTI】英語流利說林暉：AI在教育領域尚處初級階段原創(chuàng)

由51CTO主辦的WOTI2017全球創(chuàng)新技術峰會將于2017年7月21日拉開帷幕。峰會前期，筆者采訪了本次大會的演講嘉賓英語流利說聯(lián)合創(chuàng)始人&首席科學家林暉先生，就人工智能在教育領域的應用，深度學習在英語流利說產(chǎn)品的中的實踐等話題進行了深入的交流。

2017-07-11 10:16:48

人工智能 AI 深度學習

LSTM、GRU與神經(jīng)圖靈機：詳解深度學習最熱門的循環(huán)神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡是當前深度學習熱潮中最重要和最核心的技術之一。近日，Jason Brownlee 通過一篇長文對循環(huán)神經(jīng)網(wǎng)絡進行了系統(tǒng)的介紹。

2017-07-10 09:37:01

循環(huán)神經(jīng)網(wǎng)絡深度學習 RNN

長文解密卷積神經(jīng)網(wǎng)絡體系結構

近日，Dishashree Gupta 在 Analyticsvidhya 上發(fā)表了一篇題為《Architecture of Convolutional Neural Networks (CNNs) demystified》的文章，對用于圖像識別和分類的卷積神經(jīng)網(wǎng)絡架構作了深度揭秘；作者在文中還作了通盤演示，期望對 CNN 的工作機制有一個深入的剖析。

2017-07-07 16:15:21

圖像識別卷積神經(jīng)網(wǎng)絡人工智能

如何實現(xiàn)模擬人類視覺注意力的循環(huán)神經(jīng)網(wǎng)絡？

將感興趣的東西放在視野中心，每次只處理視野中的部分。

2017-07-07 15:46:38

循環(huán)神經(jīng)網(wǎng)絡視覺注意力模擬

純干貨 | 深度學習研究綜述

深度學習已經(jīng)在很多領域得到了大力的發(fā)展，尤其是語音，圖像，視頻等領域都得到了較大的進步，都優(yōu)于以前的方法?，F(xiàn)在比較熱門的是人臉檢測識別(刷臉)，智能管理(考勤，車牌檢測，監(jiān)控)，醫(yī)學檢查與預測(腦電波返回圖可預測疾病等)等技術。

2017-07-06 13:18:37

深度學習應用問題及趨勢

深度學習如何將個性化引入互聯(lián)網(wǎng) 譯文

從基本概念角度出發(fā)，深度學習方法往往具備非?；A的共通特征。深度學習算法通過多個處理層對原始數(shù)據(jù)進行解釋。其中每個處理層皆將前一處理層的輸出結果作為輸入結果，同時創(chuàng)建出更為抽象的表達。因此，只要將更多數(shù)據(jù)饋送至正確的算法當中，則算法通常能夠給出更多與相關規(guī)則及特征緊密關聯(lián)的推理與情景，并據(jù)此在處理新的類似情況時作為參考。

2017-07-03 11:00:51

深度學習人工智能

MIT 提出Network Dissection框架，全自動窺探神經(jīng)網(wǎng)絡訓練的黑箱

神經(jīng)網(wǎng)絡通過分析大型訓練數(shù)據(jù)集學習如何完成計算任務，它對如今表現(xiàn)優(yōu)異的人工智能系統(tǒng)有巨大貢獻，例如語音識別系統(tǒng)、自動翻譯器和自動駕駛汽車。但神經(jīng)網(wǎng)絡是個黑箱，一旦被訓練，即使設計者本人也不了解其運作機制：即它們處理了什么數(shù)據(jù)、如何處理數(shù)據(jù)。

2017-07-03 10:55:48

神經(jīng)網(wǎng)絡深度學習

為什么深度學習沒有局部最小值？

這一結論進一步假設SGD解決者實際中無法分辨鞍點與局部最小值的區(qū)別，因為Hessian理論的假設是很有問題的。LeCun最近的數(shù)值計算研究證實了這一點。他的研究顯示Hessian理論假設有很多0值。

2017-07-03 10:52:20

深度學習人工智能

從零開始使用TensorFlow建立簡單的邏輯回歸模型

TensorFlow 是一個基于 python 的機器學習框架。在 Coursera 上學習了邏輯回歸的課程內(nèi)容后，想把在 MATLAB 中實現(xiàn)了的內(nèi)容用 TensorFlow 重新實現(xiàn)一遍，當做學習 Python 和框架的敲門磚。

2017-06-29 11:05:46

TensorFlow 深度學習

利用 TensorFlow 實現(xiàn)上下文的 Chat-bots

本文將帶你學會了如何去構建一個聊天機器人框架，一個使它能記住上下文信息的機器人，已經(jīng)如何分析文本。未來的聊天機器人也都是能分析上下文語境的，這是一個大趨勢。

2017-06-27 18:52:05

TensorFlow 深度學習

深度學習思考

深度學習的容量足夠大，因為它可以有幾百萬上千萬的參數(shù)，這使得它理論上能夠擬合任何形式的數(shù)據(jù)。根據(jù)我的實際經(jīng)驗是，它確實能很好的擬合訓練數(shù)據(jù)，并且不是簡單的記住他們。

2017-06-27 14:49:20

深度學習機器學習

面向圖像分析應用的海量樣本過濾方案

在圖像分析應用中，海量圖片樣本的有效自動化過濾是一項重要的基礎工作。本文介紹一種基于多重算法過濾的處理方案，能夠自動提取有效圖像樣本，極大減少人工標注的工作量。

2017-06-26 09:59:14

圖像分析樣本過濾深度學習

GNMT-谷歌的神經(jīng)網(wǎng)絡翻譯系統(tǒng)

一般來說，NMT【神經(jīng)網(wǎng)絡翻譯系統(tǒng)】通常會含用兩個RNN【遞歸神經(jīng)網(wǎng)絡】，一個用來接受輸入文本，另一個用來產(chǎn)生目標語句，與此同時，還會引入當下流行的注意力機制【attention mechanism】使得系統(tǒng)處理長句子時更準確高效。

2017-06-20 14:41:12

google 神經(jīng)網(wǎng)絡

我的深度學習開發(fā)環(huán)境詳解：TensorFlow + Docker + PyCharm等，你的呢？

在嘗試用不同的東西來配置深度學習環(huán)境這個過程中，我花費了相當多的時間。因此我想著把自己目前的工作流程整理成文檔，希望可以幫助到嘗試著做同樣事情的人。

2017-06-19 17:54:58

深度學習人工智能

深度 | 詳解首個系統(tǒng)性測試現(xiàn)實深度學習系統(tǒng)的白箱框架DeepXplore

在我閱讀這篇論文時，我一直在對自己說：「恩，很不錯嘛，不過，他們好像還忽略了什么?！顾晕衣?lián)系了一下作者，事實證明他們很清楚這個「什么」是什么（而且他們也正計劃在未來的研究中解決其中的一些問題）。我將在這篇文章中引述他們的一些答案。

2017-06-19 17:52:36

深度學習人工智能

看深度學習十九般武藝：它還能幫助保護瀕危動物

瀕危動物研究中一大難題是準確估計它們的數(shù)量，想要追蹤以及詳細了解其中的個體更是難上加難。不過來自杜克尼古拉斯學院的兩位老師想到了辦法，居然可以用深度學習來幫忙做這件事。

2017-06-14 18:00:37

深度學習動物 Conservatio

一文讀懂監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習、強化學習這四種深度學習方式

在文章中，計算機視覺戰(zhàn)隊將逐個解釋這些方法背后所蘊含的理論知識。除此之外，計算機視覺戰(zhàn)隊將分享文獻中經(jīng)常碰到的術語，并提供與數(shù)學相關的更多資源。

2017-06-12 14:04:45

深度學習人工智能

深度學習成了前端開發(fā)神器：根據(jù)UI設計圖自動生成代碼

近日，位于哥本哈根的一家創(chuàng)業(yè)公司Uizard Technologies開發(fā)出了一個名為“pix2code”的系統(tǒng)。運用深度學習，這個系統(tǒng)能夠根據(jù)輸入的圖形用戶界面（GUI）截圖直接輸出對應的代碼，從而省去前端手動編寫代碼的過程。

2017-06-09 14:45:14

前端深度學習

誰說數(shù)據(jù)少就不能用深度學習？這鍋俺不背！

前幾日，有一篇帖子在“Simply Stats”很火，作者Jeff Leek在博文中犀利地將深度學習拉下神壇，他談到了深度學習現(xiàn)在如何狂熱，人們正試圖用這個技術解決每一個問題。但是呢，只有極少數(shù)情況下，你才能拿到足夠的數(shù)據(jù)，這樣看來，深度學習也就沒那么大用處了。

2017-06-09 13:36:33

人工智能深度學習

挨踢部落坐診第六期：機器學習如何判斷突發(fā)情況？原創(chuàng)

挨踢部落是為核心開發(fā)者提供深度技術交流，解決開發(fā)需求，資源共享的服務社群?；诖松缛海覀冄埩藰I(yè)界技術大咖對開發(fā)需求進行一對一突破，解除開發(fā)過程中的絆腳石。以最專業(yè)、最高效的答復為開發(fā)者解決開發(fā)難題。

2017-06-07 15:16:35

機器學習 IDEA vSphere

Keras TensorFlow教程：如何從零開發(fā)一個復雜深度學習模型

Keras 是提供一些高可用的 Python API ，能幫助你快速的構建和訓練自己的深度學習模型，它的后端是 TensorFlow 或者 Theano 。本文假設你已經(jīng)熟悉了 TensorFlow 和卷積神經(jīng)網(wǎng)絡，如果，你還沒有熟悉，那么可以先看看這個10分鐘入門 TensorFlow 教程和卷積神經(jīng)網(wǎng)絡教程，然后再回來閱讀這個文章。

2017-06-06 10:14:55

Keras TensorFlow 深度學習

如何讓深度學習在手機應用上也能加速跑？看完這篇文章你就知道了

論文作者提出了一種基于模型網(wǎng)絡層為粒度的切割方法，將DNN需要的計算量切分開并充分利用云服務器和移動設備的硬件資源進行延遲時間和電量消耗這兩方面的優(yōu)化。 Neurosurgeon很形象地描述了這種切割方法：向外科醫(yī)生一樣對DNN模型進行切分處理。

2017-06-01 18:55:44

深度學習人工智能

神經(jīng)網(wǎng)絡中 BP 算法的原理與 Python 實現(xiàn)源碼解析

網(wǎng)絡實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學理論已證明它具有實現(xiàn)任何復雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機制復雜的問題。

2017-05-31 13:23:41

神經(jīng)網(wǎng)絡深度學習

用深度神經(jīng)網(wǎng)絡處理NER命名實體識別問題

命名實體識別（NER）是指識別文本中具有特定意義的實體，主要包括人名、地名、機構名、專有名詞等。命名實體識別是信息提取、問答系統(tǒng)、句法分析、機器翻譯等應用領域的重要基礎工具，作為結構化信息提取的重要步驟。

2017-05-31 12:59:44

神經(jīng)網(wǎng)絡深度學習

AI幫您解決“太長不看”難題：如何構建一套深層抽象概括模型譯文

相信每位朋友都有這樣的切身感受：我們必須閱讀更多內(nèi)容以了解與工作、新聞以及社交媒體相關的熱門資訊。為了解決這一挑戰(zhàn)，我們開始研究如何利用AI以幫助人們在信息大潮中改善工作體驗——而潛在的解決思路之一在于利用算法自動總結篇幅過長的文本內(nèi)容。

2017-05-27 18:53:48

深度學習人工智能

用深度學習快速人臉建模

臉部建模一直是計算機圖像和視覺領域的熱門話題，包括卡通人物建模、人臉藝術設計、人臉實時重構等等，尤其是交互式人臉建模。我們構建了一個快速的、交互的、基于深度學習的人臉建?？蚣?。通過簡單勾勒人臉圖畫(caricature)，我們的模型可以迅速生成對應的三維人臉模型，并且可以同時擬合面部輪廓和細節(jié)表情。同時我們也提供了多種方式進行快速的模型修改。實驗證明我們的結果具有高精度和快速度。

2017-05-27 14:00:06

深度學習人臉建模

用不到1000美元攢一臺深度學習用的超快的電腦：繼續(xù)深度學習和便宜硬件的探奇！

從上世紀80年代后我就再沒攢過電腦。我也相當擔心花好幾百塊，最終搞一堆我自己裝不出來的零件（或是攢出來了，但可能沒法正常工作）。不過我要告訴你，攢機是可以的！另外，整個過程也很好玩。最后你能擁有一臺通用的電腦，并能做預測，同時比筆記本快20多倍。

2017-05-26 16:06:23

深度學習人工智能

多維度分析“深度學習”市場的趨勢走向

2016年，全球深度學習市場規(guī)模據(jù)估計已達到2.27億美元。隨著在自動駕駛和醫(yī)療健康產(chǎn)業(yè)的應用越來越多，深度學習應該仍會對行業(yè)增長帶來突出的貢獻。它在技術上克服數(shù)據(jù)量、強計算力以及在數(shù)據(jù)存儲能力方面的優(yōu)勢，使得其在語音、圖像等對數(shù)據(jù)復雜性要求很高的領域中異軍突起，提供了巨大的研究空間和價值。

2017-05-26 15:57:54

深度學習人工智能

上一頁 1 ··· 29 30 31 32 33 34 下一頁

51CTO技術棧公眾號

業(yè)務
速覽

媒體

51CTO CIOAge HC3i

社區(qū)

51CTO博客鴻蒙開發(fā)者社區(qū) AI.x社區(qū)

教育

51CTO學堂精培企業(yè)培訓 CTO訓練營

<cite id="hzk31"><form id="hzk31"></form></cite>