深度学习——理论知识

深度学习-多层感知器-建立MLP实现非线性二分类-MLP实现图像多分类

MLP实现非线性分类预测MLP模型框架MLP实现多分类预测实战准备KerasKeras是一个用Python编写的用于神经网络开发的应用接口，调用开接口可以实现神经网络、卷积神经网络、循环神经网络等常用深度学习算法的开发特点
小旺不正经·2024-01-23 07:05

day01 深度学习介绍

目录1.1深度学习介绍1.2神经网络NN1、概念：2、神经元3、（单层）神经网络4、感知机（两层）5、多层神经网络6、激活函数（1）饱和与非饱和激活函数（2）饱和激活函数①Sigmoid激活函数②tanh
柠檬不萌只是酸i·2024-01-23 06:55

TVM安装

为什么选择TVM为提升深度学习模型的推理效率，设备平台制造商针对自己的平台推出优化的推理引擎，例如NAVIDA的tensorRT，Intel的OpenVINO，Tencent针对移动端应用推出NCNN等
血_影·2024-01-23 06:20

深度学习-活体检测发展之背景篇（一）

主要对最近看的活体检测相关技术做一个总结梳理；纯属个人理解，有不准确的地方希望大家留言讨论文章目录一、人脸识别的背景二、活体检测跟人脸识别什么关系？三、活体检测的任务是什么？四、活体检测技术的分类1.动作活体2.静默活体2.1.单目静默活体2.2基于IR双目红外活体检测2.3.基于深度信息的静默活体2.4三种技术路线比较五、活体检测算法关键指标有哪些？六、小结一、人脸识别的背景我们知道近些年来，人
掀起波澜·2024-01-23 06:32

【人工智能大脑】仿生学与人工智能交汇：基于MP神经网络的精准农业实践

MCP由来深度学习的历史可以追溯到1943年，当时WalterPitts(数学家)和WarrenMcCulloch(神经科学家)基于人类大脑的
德天老师·2024-01-23 06:40

pytorch、显卡、显卡驱动、cuda版本是如何对应的

背景做深度学习的小伙伴们可能都会在安装环境的时候经常遇到的cuda版本驱动版本以及和显卡是如何对应的，经常搞得特别糊涂，官网没有直接提供他们的对应关系，导致我们在升级显卡的时候发现原来的软件环境不兼容，
鱼游九天·2024-01-23 06:10

走向核心素养，开展深度学习——以三年级下册《面积》为例

小学数学深度学习是在教师引领下，学生围绕着具有挑战性的学习主题，全身心积极参与，体验成功，获得发展的有意义的数学学习过程。
A_thinker·2024-01-23 05:37

深度学习|RCNN&Fast-RCNN

1.RCNN2014年提出R-CNN网络，该网络不再使用暴力穷举的方法，而是使用候选区域方法（regionproposalmethod）创建目标检测的区域来完成目标检测的任务，R-CNN是以深度神经网络为基础的目标检测的模型，以R-CNN为基点，后续的FastR-CNN、FasterR-CNN模型都延续了这种目标检测思路。1.1RCNN算法流程RCNN的流程如下图所示：步骤是：候选区域生成：使用选
AI小白龙*·2024-01-23 04:18

Transformer 深度学习模型

文章目录Transformer是一种深度学习模型，最初由Vaswani等人在2017年的论文《AttentionisAllYouNeed》中提出。
JNU freshman·2024-01-23 03:44

李沐深度学习-多层感知机从零开始

！！！梯度的产生是由于反向传播，在自定义从零开始编写代码时，第一次反向传播前应该对params参数的梯度进行判断importtorchimportnumpyasnpimporttorch.utils.dataasDataimporttorchvision.datasetsimporttorchvision.transformsastransformsimportsyssys.path.append
大小猫吃猫饼干·2024-01-23 02:16

【AI】深度学习在编码中的应用（11）

——隐式神经表示隐式神经表示（ImplicitNeuralRepresentations,INR）是近年来在深度学习和计算机视觉领域中涌现的一种技术。
giszz·2024-01-23 00:37

【AI】深度学习在编码中的应用（10）

目录先看2个定义：P帧和B帧基于层次学习的高效视频压缩技术基于B帧的B-EPIC方法今天来学习编码配置优化技术。先看2个定义：P帧和B帧在视频压缩中，P帧和B帧都是关键的概念，它们与I帧一起构成了视频压缩的三种基本帧类型。P帧，即预测帧，是通过充分降低图像序列中前面已编码帧的时间冗余信息来压缩传输数据量的编码图像。它采用运动补偿的方法传送它与前面的I帧或P帧之间的差值及运动矢量，解码时必须将这一差
giszz·2024-01-23 00:36

【AI】深度学习在编码中的应用（4）

目录一、基于自编码器的架构二、基于可逆网络的架构三、基于GAN模型的架构四、多层结构图像压缩框架今天学习和梳理基础架构设计的4种模式：一、基于自编码器的架构在人工智能应用中，自编码器（Autoencoder,AE）是一种无监督的神经网络模型，用于学习输入数据的编码表示（即特征），并能够从这种编码表示中重构原始数据。自编码器通常用于数据降维、特征学习、去噪等任务。在基础架构设计中，基于自编码器的架构
giszz·2024-01-23 00:34

pytorch和pycharm的区别

PyTorch是一个深度学习框架，它主要用于深度学习模型的开发、训练和部署。它提供了很多用于深度学习的工具，例如自动求导、神经网络构建和训练等。
low sapkj·2024-01-23 00:02

深入浅出Pytorch(一）

Task01:Pytorch认知和安装python实现的深度学习的科学计算包，提供了一套深度学习框架。发展好，框架简洁，项目开源，上手快。
qq_42194332·2024-01-23 00:31

基于图神经网络与深度学习的商品推荐算法

传统做法现阶段局限创新方法结果相关工作目前推荐算法基于矩阵分解的推荐算法基于深度学习的推荐算法基于图神经网络的推荐算法创新点模型设计本文的核心任务是训练出一个模型LGDL模型框架嵌入层ID特征嵌入评论文本特征嵌入前向传播层关联关系提取偏好特征提取评分预测层模型优化传统做法利用深度学习方法从用户
谦谦菜鸟·2024-01-23 00:58

深度学习记录--指数加权平均

指数加权移动平均(exponentiallyweightedmovingaverages)如何对杂乱的数据进行拟合？通过指数加权平均可以把数据图近似拟合成一条曲线公式：其中表示第t个平均数，表示第t-1个平均数，表示第t个数据，表示变化参数下图为拟合结果()当参数变化时，拟合结果也会发生变化例子：时，近似取10个数据平均值(红色曲线)时，近似取50个数据平均值(绿色曲线)时，近似取2个数据平均值(
蹲家宅宅·2024-01-22 22:05

python有必要学数据结构么_学习算法必须要了解的数据结构

本文首发于公众号《深度学习与Python》，欢迎关注瑞士计算机科学家尼克劳斯沃斯于1976年写了一本书提出算法+数据结构=程序，40多年后，这个等式仍然成立。
h61102725·2024-01-22 22:32

《赏识你的学生》读书感悟

全书用许多生动的案例诠释了“期盼效应”试验、“需要层次”理论、“多元智能理论”等教育理论知识，阐释了实施“赏识”教育的重要性、可行性，透过一个个令人扼腕叹息的教育故事，呼吁教师要善待每一个生命。
豆村小学李晓阁·2024-01-22 22:07

十分钟带你复现YOLOv8

YOLOv8是Ultralytics在2023年初推出的一个重大更新版本，建立在以前YOLO版本成功的基础上，基于深度学习和计算机视觉的前沿进展，采用最先进的SOTA模型，引入了
Hello阿尔法·2024-01-22 21:02

【算法小记】深度学习——循环神经网络相关原理与RNN、LSTM算法的使用

文中程序以Tensorflow-2.6.0为例部分概念包含笔者个人理解，如有遗漏或错误，欢迎评论或私信指正。卷积神经网络在图像领域取得了良好的效果，卷积核凭借优秀的特征提取能力通过深层的卷积操作可是实现对矩形张量的复杂计算处理。但是生活中除了图像这样天然以矩阵形式存储的数据以外，还有众多以时间轴方向的连续数据。例如传感器的采集的复合数据，某个事件的历史发展数据等。同时我们日常生活中无时无刻存在的自
絮沫·2024-01-22 20:24

深度学习笔记（九）——tf模型导出保存、模型加载、常用模型导出tflite、权重量化、模型部署

文中程序以Tensorflow-2.6.0为例部分概念包含笔者个人理解，如有遗漏或错误，欢迎评论或私信指正。本篇博客主要是工具性介绍，可能由于软件版本问题导致的部分内容无法使用。首先介绍tflite:TensorFlowLite是一组工具，可帮助开发者在移动设备、嵌入式设备和loT设备上运行模型，以便实现设备端机器学习。框架具有的主要特性：延时（数据无需往返服务器）隐私（没有任何个人数据离开设备）
絮沫·2024-01-22 20:20

成长

图片发自App今天上午送货过程中，深刻体会到了营之有道里面关于“熟人重新定位”的意义和好处，有时候懂理论知识，但真正运用时才会明白其中的含金量……今天我在送完货后，特别送出了三床棉被给购买团单的好友和另外一个刚购买两台空气净化器的朋友
赵霞1·2024-01-22 20:53

目标文献分析方法

发现问题选择方向调查研究分析论证确定选题中国知网深度学习+方向词1检索：深度学习医疗影像1发表时间要最新2显示50个，全选3导出文献格式Ref4导出，保存5利用citespace整理热门词，定研究问题4
小蒋的学习笔记·2024-01-22 20:03

保留图片原画质图片无损放大

该功能利用了人工智能和深度学习技术，通过对大量图片的学习和分析，
yun132792·2024-01-22 20:54

使用Python对音频进行特征提取

在几年前写的使用Python对音频进行特征提取使用的是人为特征的方法进行特征提取的，近些年随着深度学习的普及，这里尝试使用深度学习方法进行特征提取。
bagell·2024-01-22 19:12

程序员，想转型人工智能吗？先补补数学课吧！

人工智能很火，也很高端，深度学习、机器学习、视觉识别，听上去就很高大上。而且不仅仅是听上去高大上，现实当中确实也是实实在在的高大上。在互联网圈子里，有一句话流传甚广：得人工智能者得天下。
月落无敌·2024-01-22 18:46

《吐血整理》进阶系列教程-拿捏Fiddler抓包教程(14)-Fiddler断点(breakpoints)实战，篡改或伪造数据

1.简介上一篇主要就讲解和分享Fiddler断点的理论和操作，今天宏哥就用具体例子，将上一篇中的理论知识实践一下。
北京-宏哥·2024-01-22 17:51

【深度学习目标检测】十七、基于深度学习的洋葱检测系统-含GUI和源码（python，yolov8）

使用AI实现洋葱检测对农业具有以下意义：提高效率：AI技术可以快速、准确地检测出洋葱中的缺陷和问题，从而提高了检测效率，减少了人工检测的时间和人力成本。提高准确性：AI技术通过大量的数据学习和分析，能够更准确地识别出有缺陷的洋葱，降低了误判和漏检的可能性。提高农产品质量：通过AI技术对洋葱进行检测，可以及时发现并处理有缺陷的产品，从而提高了农产品的整体质量。提供决策支持：AI技术可以通过数据分析，
justld·2024-01-22 17:29

【AI】深度学习在编码中的应用（5）

接上，我们今天来梳理和学习第2步，分析/合成变换的几种方式。一、基于RNN架构的方法基于RNN架构的方法定义：在分析/合成变换中，基于RNN（循环神经网络）架构的方法是指利用RNN模型来学习和表示输入数据（如序列数据）中的模式、结构和依赖关系，并根据这些学习到的特征来进行分析或合成新的数据。RNN具有循环连接的特性，能够处理变长输入和输出，并捕捉序列中的时序信息。特点：时序建模：RNN能够捕捉序列
giszz·2024-01-22 17:29

“深度学习”之感

第一次听到“深度学习”这个问题，我全蒙了，想着学习还要深度学习，什么是深度学习，怎么深度学习呢？图片发自App听了贾老师的课，才知道什么是“深度学习”，让我受益匪浅。
陇西060张艳·2024-01-22 15:40

PyTorch深度学习实战（31）——生成对抗网络(Generative Adversarial Network, GAN)

PyTorch深度学习实战（31）——生成对抗网络0.前言1.GAN2.GAN模型分析3.利用GAN模型生成手写数字小结系列链接0.前言生成对抗网络(GenerativeAdversarialNetworks
盼小辉丶·2024-01-22 15:46

基于EP4CE10F17C8的以太网数据回环（UDP）

目录一、理论知识（部分来自野火、正点原子资料）（一）TCP/IP五层模型（二）以太网（自底向上描述）1.物理层2.MAC子层3.网络层（IP、ICMP、ARP）4.传输层（TCP、UDP）二、编程思路与设计
不认得学霸·2024-01-22 15:04

CVPR 2023: Analyzing and Diagnosing Pose Estimation With Attributions

例如，使用深度学习网络直接回归关键点坐标或生成突出显示可能的关节位置的热图的研究。可解释性方法：这个领域专注于理解姿态估计模型如何做出决策。
结构化文摘·2024-01-22 14:00

华南理工大学数字信号处理实验实验二源码（薛y老师）

一、实验目的▪综合运用数字信号处理的理论知识进行信号分析并利用MATLAB作为编程工具进行计算机实现，从而加深对所学知识的理解，建立概念。▪掌握数字信号处理的基本概念、基本理论和基本方法。
程序源_hytz·2024-01-22 13:02

2020-04-03

而且只是理论知识，不像其他课程可以操作一下，还能学到点东西。有些苦恼，我应该干自己的事情，赶自己的学习进度，不想浪费时间在我不喜欢的课程上，不想浪费
等昙花·2024-01-22 13:59

【AI】深度学习在编码中的应用（6）

目录一、熵模型和自适应熵编码1.1区别1.2联系二、关于自适应熵模型前面我们讨论了基础架构设计、分析合成变换，本文来梳理和学习编码的第三步，自适应熵模型。一、熵模型和自适应熵编码自适应熵模型和熵编码在概念和应用上有一些区别，同时也存在一定的联系。1.1区别——定义与目标自适应熵模型：是一种能够根据输入数据的特性自动调整其内部参数以优化信息表示和处理的模型。它的目标是实现数据的高效表示和处理，例如通
giszz·2024-01-22 13:02

【AI】深度学习在编码中的应用（8）

接上文，本文来梳理和学习智能编码中，基于残差编码的框架。智能图像编解码器的成功也推动了智能视频编解码器的发展。传统的视频压缩方法依靠预测编码对运动信息和残差信息分别进行编码。根据时-空域冗余消除方式和阶段不同，现有相关方法可分为基于残差编码的框架、基于条件编码的框架、基于3D自编码器的框架和其他架构。基于残差编码的框架，首先基于已解码参考帧，生成当前待编码帧的运动信息，然后生成运动补偿预测帧，最后
giszz·2024-01-22 13:02

【AI】深度学习在编码中的应用（9）

接上，本文来讨论基于条件熵编码的框架。智能图像压缩中的基于条件熵编码的框架是一种先进的编码技术，它利用图像数据的统计特性来实现高效的压缩。以下是关于该框架的定义、原理、优势和劣势，以及关键技术的详细解释，同时包括框架中的主要组成部分及其阐述。定义基于条件熵编码的框架是一种图像压缩方法，它通过分析图像数据的条件概率分布来编码像素或特征，从而达到减少数据存储量的目的。条件熵是衡量在已知某些条件下，随机
giszz·2024-01-22 13:02

【AI】深度学习在编码中的应用（7）

目录一、损失函数在图像压缩中的应用二、损失函数的常见指标2.1感知指标2.2经典失真指标本文来梳理和学习人工智能编码的第4个环节损失函数设计。一、损失函数在图像压缩中的应用损失函数用于指导图像压缩算法的优化过程。在设计图像压缩系统时，常用的损失函数包括重构损失（reconstructionloss）和感知损失（perceptualloss）。重构损失：衡量压缩后图像与原始图像之间的差异，通常使用像
giszz·2024-01-22 13:01

WorkPlus AI助理私有化部署，助力企业降本增效

通过深度学习和自然语言处理技术，WorkPlusA
恒拓高科WorkPlus·2024-01-22 12:00

9 | Tensorflow中的batch批处理

在深度学习中，批处理通常用于提高训练的效率和稳定性。在TensorFlow中，可以使用tf.data.DatasetAPI来设置和处理批处理数据。
RunsenLIu·2024-01-22 12:19

ChatGPT 和文心一言哪个更好用？

这些模型通过大规模的数据预训练和深度学习算法的优化，不断提升其语言理解和生成能力。首先，这些模型在智能回复方面有了显著的进步。它们能够理解用户的问题和意图，快速生成连贯、自然的回答。
和Ye哥学架构·2024-01-22 12:21

动手做个无人机—材料篇

因为该款无人机需要基于深度学习的目标检测，需要较高的算力，而以树莓派4为例，它配备了博通BCM2711So
笑傲江湖2023·2024-01-22 11:21

人脸自收集数据集辅助制作工具——人脸区域数据提取

综述我们在进行人脸识别深度学习算法研究过程中除了使用开源带标签的数据以外，都会用到大量自收集的图像数据（开源/爬虫/自拍等），然这些数据大多数是没有人脸区域标注标签的。
彧侠·2024-01-22 11:52

交通路标识别(教程&代码)

交通路标识别是一种基于计算机视觉和深度学习技术的应用，旨在通过自动识别和分类交通路标来提高交通安全和效率。
毕设阿力·2024-01-22 10:28

图像分类保姆级教程-深度学习入门教程（附代码）

然而，随着深度学习的发展，图像分类问题已经得到了显著的改善。深度学习模型可以自动地从大量的数据中学习到特征表示，并且能够处理高维度数据的非线性关系，这使得对于复杂的图像分类问题更加容易解决。在深
毕设阿力·2024-01-22 10:27

深度学习记录--学习率衰减(learning rate decay)

学习率衰减mini-batch梯度下降最终会在最小值附近的区间摆动(噪声很大)，不会精确收敛为了更加近似最小值，采用学习率衰减的方法随着学习率的衰减，步长会逐渐变小，因此最终摆动的区间会很小，更加近似最小值如下图，蓝色曲线表示mini-batch梯度下降，绿色曲线表示采用学习率衰减的梯度下降学习率衰减的实现1epoch=遍历数据1次是学习率衰减的超参数，是初始学习率，是遍历次数其他衰减方案是初始学
蹲家宅宅·2024-01-22 10:12

深度学习记录--Adam optimization algorithm

Adam优化算法momentum和RMSprop的结合初始化参数：先进行momentum过程：然后进行RMSprop过程：接着进行偏差修正：,,最后更新权重：超参数的设置一般地，学习率需要经过多次调试之后才可得到其他超参数一般设置为：
蹲家宅宅·2024-01-22 10:12

深度学习记录--RMSprop均方根

RMSprop(rootmeansquareprop)减缓纵轴方向学习速度，加快横轴方向学习速度，从而加速梯度下降方法：原理：不妨以b为纵轴，w为横轴(横纵轴可能会不同，因为是多维量)为了让w梯度下降更快，则要使S_dw尽量小，即w每次减去一个大数字，所以w梯度下降更快为了让b梯度下降更慢，则要使S_db尽量大，即b每次减去一个小数字，所以b梯度下降更慢为了防止分母趋近于0，则加上一个常量，一般设
蹲家宅宅·2024-01-22 10:42
上一页 46 47 48 49 50 51 52 53 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他