深度神经网络gcForest

EmotionGAN: Unsupervised Domain Adaptation for Learning Discrete Probability Distributions of Image

1.摘要深度神经网络在具有大规模标签训练数据的各种基准视觉任务上表现良好；但是，获得这样的训练数据既昂贵又费时。
whutmengmeng·2022-12-21 09:18

在BSV上运行深度神经网络

我们已经实现了一个用于手写数字分类的深度神经网络。已经训练好的模型完全在链上运行。它使用手写数字的MNIST数据集进行离线训练。该模型采用28x28灰度像素的图像并输出0到9的数字。
sCrypt 智能合约·2022-12-21 07:09

生信分析新技术加持！单细胞技术如何应用到肿瘤免疫领域

深度学习通过强大的深度神经网络模型从高维大数据中自动
木舟笔记·2022-12-21 06:03

(4-1)卷积神经网络 | 卷积神经网络基础

对于小尺寸的图片问题，也许我们用深度神经网络的结构可以较为简单的解决一定的问题。但是当应用在大尺寸的图片上，输入规模将变得十分庞大，难以获得足够的数据来防止神经网络发生
Nibaby燕·2022-12-21 01:05

用于预测的简单深度神经网络模型（自用）

自己学着写了一个简单的深度学习的神经网络。使用样本进行训练，而后进行预测结论。包含6个输入元，第一隐藏层8个神经元，第二隐藏层4个神经元，输出层用于最后决策，1个神经元利用Sigmoid函数进行权重的计算和更新。代码如下：fromnumpyimportarray,exp,random,dotimporttqdmimporttimeprint("[预测型机器学习神经网络模型]-[粗饼]-[V1.0版
边小胖Python·2022-12-20 21:43

安全智能分析

安全智能分析AI模型，尤其是深度神经网络，在训练阶段的关键在于选择合适的网络架构、适当的正则化处理和超参数的调优。训练中需要调试的超参数有很多，如学习率、批量大小、动量、正则化、网络层
maoguan121·2022-12-20 19:28

绿盟SecXOps安全智能分析技术白皮书 超参数调优

技术背景AI模型，尤其是深度神经网络，在训练阶段的关键在于选择合适的网络架构、适当的正则化处理和超参数的调优。训练中需要调试的超参数有很多，如学习率、批量大小、动量、正则化、网络层数、
m0_73803866·2022-12-20 16:49

论文阅读：机器学习模型可解释性方法、应用与安全研究综述

0引言背景：虽然机器学习和人工智能技术在人脸识别、自动驾驶、恶意软件检测和智慧医疗分析等领域得到了广泛的应用，但大多数情况下机器学习模型尤其是深度神经网络如同黑盒一般，人们无法确切地知道模型背后的决策依据是什么
LET IT BE·2022-12-20 15:46

机器学习课堂笔记-1

目录课程概述机器学习定义机器学习应用与发展机器学习常用术语课程概述期末60+平时40回归算法、神经网络分类、聚类算法、降维算法机器学习学习流程图如下：1.回归分析：线性回归非线性回归2.分类算法：神经网络支持向量机朴素贝叶斯K-近邻决策树(随机森林)深度神经网络
Cole～～·2022-12-20 12:37

Layer Normalization层归一化 （图像 batch normalization）

背景：深度神经网络涉及到很多层的叠加，而每一层的参数更新都会导致上层的输入数据分布发生变化。层层叠加，高层的输入分布，变化会非常剧烈，使得高层需要不断去重新适应底层的参数更新。
临街的小孩·2022-12-20 09:12

深度神经网络回归问题,深度神经网络回归模型

深度神经网络是什么意思？深度神经网络是机器学习(ML,MachineLearning)领域中一种技术。在监督学习中，以前的多层神经网络的问题是容易陷入局部极值点。
普通网友·2022-12-20 09:58

深度学习基础知识（一）--- 权重初始化

①为了使神经网络在合理的时间内收敛②为了尽量避免在深度神经网络的正向（前向）传播过程中层激活函数的输出梯度出现爆炸或消失。2、如何进行初始化？
Teeyohuang·2022-12-20 07:30

安全智能分析 定义内涵

安全智能分析AI模型，尤其是深度神经网络，在训练阶段的关键在于选择合适的网络架构、适当的正则化处理和超参数的调优。训练中需要调试的超参数有很多，如学习率、批量大小、动量、正则化、网络层
securitypaper·2022-12-20 03:17

对抗机器学习系列——深度神经网络的盲点

1、引言  近些年，深度学习在计算机视觉领域取得了很好的表现，引领了第三次人工智能的浪潮。目前大部分表现优异的应用都用到了深度学习，大红大紫的AlphaGo就使用到了深度学习。  但是本期讲的是对抗机器学习，为什么提深度学习，深度学习和机器学习是什么关系呢？或者说深度学习、神经网络、机器学习、人工智能之间的关系又是怎样的。  简单来说：深度学习是机器学习的一个分支(最重要的分支)机器学习是人工智能
红帽小生·2022-12-19 18:59

深度学习超参数调正

在深度神经网络中，超参数的调整是一项必备技能，通过观察在训练过程中的监测指标如损失loss和准确率来判断当前模型处于什么样的训练状态，及时调整超参数以更科学地训练模型能够提高资源利用率。
Cv_Terry·2022-12-19 17:04

机器学习如何做好分布外异常检测？谷歌这篇 NeurIPS 2019 论文提出了方法

由于深度神经网络分类
喜欢打酱油的老鸟·2022-12-19 16:21

Python|使用深度神经网络的 K-Means 聚类进行短期风电预测

目录1引言2问题描述3目的4重要性5创新点6Python代码7结果1引言可再生能源的开发利用一直是世界上最热门的热点之一。风力发电由于清洁和广泛的可用性，正迅速向大规模产业发展，并具有波动性和间歇性电力的特点。准确可靠的风电预测方法对于电能质量、可靠性管理以及降低旋转备用供电成本至关重要.2问题描述风能预测对应于对近期一个或多个风力涡轮机的预期产量的估计。在电网中，任何时候都必须在用电量和发电量之
电气辅导帮·2022-12-19 15:54

Python|使用深度神经网络的 K-Means 聚类进行短期风电预测

目录1引言2问题描述3目的4重要性5创新点6Python代码7结果1引言可再生能源的开发利用一直是世界上最热门的热点之一。风力发电由于清洁和广泛的可用性，正迅速向大规模产业发展，并具有波动性和间歇性电力的特点。准确可靠的风电预测方法对于电能质量、可靠性管理以及降低旋转备用供电成本至关重要.2问题描述风能预测对应于对近期一个或多个风力涡轮机的预期产量的估计。在电网中，任何时候都必须在用电量和发电量之
@橘柑橙柠桔柚·2022-12-19 15:24

Understanding and Increasing Efficiency of Frank-Wolfe Adversarial Training

然后在各种深度神经网络架构上通过实验证明，针对鲁棒模型的ℓ∞攻击实现了接近最大的失真，而标准网络具有较低
你今天论文了吗·2022-12-19 14:46

Enhancing Adversarial Training with Second-Order Statistics of Weights

利用二阶权重统计增强对抗训练对抗训练已被证明是提高深度神经网络鲁棒性的最有效方法之一。它被形式化为对模型权重和对抗性扰动的最小-最大优化，其中权重可以通过梯度下降方法（如SGD）进行优化。
你今天论文了吗·2022-12-19 14:16

深度神经网络的训练过程,深度神经网络训练方法

深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。
普通网友·2022-12-19 11:27

Interactron | 体现自适应的目标检测器

近年来，由于强大的深度神经网络的出现，咱们在这一领域取得了长足的进步。然而，在这些方法中通常有两个共同的假设。(1)首先，在一个固定的数据集上训练模型，并在预先记录的测试集上进行评估。
极智视界·2022-12-19 09:00

Interactron: Embodied Adaptive Object Detection

：https://github.com/allenai/interactron0.Abstract过去多年，物体检测（objectdetection）已经受到了极大地关注，特别是最近由于具有强大能力的深度神经网络的出现使得这一领域呈现爆发式增长
LeiGaiceong·2022-12-19 09:29

神经网络模型大小怎么看,神经网络模型大小计算

有哪些深度神经网络模型？目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
普通网友·2022-12-18 18:51

[深度学习] 神经网络训练时是否可以将全部参数初始化为0

考虑全连接的深度神经网络，同一层中的任意神经元都是同构的，它们拥有相同的输入和输出。如果再将参数全部初始化为同样的值，那么无论前向传播还是反向传播的取值都是完全相同。
(∩ᵒ̴̶̷̤⌔ᵒ̴̶̷̤∩)·2022-12-18 16:46

脑电图分类任务中深度神经网络模型的数据增强:综述2021

DataAugmentationforDeepNeuralNetworksModelinEEGClassificationTask:AReview脑电图（EEG）的分类是测量神经活动节奏振荡的关键方法，是脑机接口系统（BCI）的核心技术之一。然而，从非线性和非平稳的EEG信号中提取特征，在目前的算法中仍然是一项具有挑战性的任务。随着人工智能的发展，近年来已经提出了各种先进的算法用于信号分类。其中，
爱吃榴莲的妹妹·2022-12-18 15:48

图像分类pytorch-image-models-master代码目录解析

2012年人工智能出现爆发式增长，离不开深度神经网络的产生。经典的有Alexnet，VGG，GeogLeNet，RestNet等，本次主要对RestNet做深层次阐述。
无可安放的岁月·2022-12-18 12:05

收获一个python识别率超级高的OCR包，值得推荐

他的开源项目地址：https://github.com/sml2h3/ddddocr他支持的类型还是挺多的：本次更新新增了两种滑块识别算法，算法非深度神经网络实现，仅使用opencv和PIL完成。
1024小神·2022-12-18 11:44

训练神经网络的详细步骤,神经网络训练过程图解

深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。
普通网友·2022-12-18 09:27

【记录】Ubuntu20.04安装CUDA和cuDNN

它通过利用图形处理器(GPU)的处理能力，可大幅提升计算性能；cuDNN(深度神经网络库)是GPU加速的用于深度神经网络的原语库,即用来加速神经网络的推理。
qq_29750461·2022-12-18 09:48

神经结构搜索资料NAS

神经结构进化搜索资料近年来,深度神经网络(DNNs)在许多人工智能任务中取得卓越表现，然而网络设计严重依赖专家知识，这是一个耗时且易出错的工作。
StrugglerNeu·2022-12-18 08:59

吴恩达第一门课 神经网络和深度学习 第一周：深度学习引用

前言吴恩达第一门课神经网络和深度学习第一周：深度学习引用一、Welcome在第一门课程中，你将会学习如何建立神经网络（包含一个深度神经网络），以及如何在数据上面训练他们。
老干妈拌士力架·2022-12-18 07:44

Xavier初始化

Understandingthedifficultyoftrainingdeepfeedforwardneuralnetworks原文链接：目录补充几种初始化全0初始化固定值初始化BN层的初始化LSTMbias初始化固定方差的初始化高斯分布初始化均匀分布初始化方差缩放的参数初始化Xavier初始化He初始化摘要深度神经网络发现实验实验设置实验结果理论思考对比实验参考文献补充几种初始化全
探索世界的小白·2022-12-17 15:10

Batch Norm / Layer Norm / Group Norm 的理解、对比

1.BatchNorm深度学习的话尤其是在CV上都需要对数据做归一化，因为深度神经网络主要就是为了学习训练数据的分布，并在测试集上达到很好的泛化效果，但是，如果我们每一个batch输入的数据都具有不同的分布
陈煜嵘Yurong·2022-12-17 15:03

深度神经网络预测模型,人工神经网络回归分析

如何用神经网络实现连续型变量的回归预测？神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在G
普通网友·2022-12-17 12:06

FasterRCNN

算法步骤使用深度神经网络来提取特征，得到特征图使用RPN网络生成候选框，将RPN网络生成的候选框投影到特征图上获得相应的特征矩阵使用ROI池化缩放到7×7大小的特征图，展平之后通过一系列全连接层得到预测结果
howardSunJiahao·2022-12-17 12:47

LogME：通用快速准确的预训练模型评估方法

迁移学习使得深度神经网络以预训练模型的形式走进千家万户，不用上千块TPU，我们也能够使用BERT、Efficie
AITIME论道·2022-12-17 11:34

基于深度学习的物联网远程监控目标检测

主要研究了一种利用深度神经网络和物联网对目标进行检测，并将检测到的信息以低传输速率传输到云端的框架。
@@南风·2022-12-17 11:33

神经网络中隐藏层的作用,深度神经网络隐藏层数

神经网络隐藏层是什么一个神经网络包括有多个神经元“层”，输入层、隐藏层及输出层。输入层负责接收输入及分发到隐藏层（因为用户看不见这些层，所以见做隐藏层）。这些隐藏层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。谷歌人工智能写作项目：小发猫神经网络中各个隐藏层能提取出和人类看到的一样的特征？关于循环神经网络RNN,隐藏层是怎么来的？RNN的隐藏层也可以叫循环核，简单来说循环核循环的次数
普通网友·2022-12-17 11:31

神经网络建模的适用范围,神经网络建模介绍文案

有哪些深度神经网络模型？目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
普通网友·2022-12-17 11:31

《速通机器学习》-第八章 深度神经网络

8.1BP神经网络的基本原理逻辑回归因其简单、高效、具有可解释性，在工业界得到了广泛的应用并大放异彩。但是，随着业务越来越复杂，分类任务的难度越来越高，逻辑回归渐渐力不从心。分类任务的难度主要体现在数据的线性不可分上——不同类别的数据犬牙交错，很难用一条简单的直线将数据点分开，如图8-1左图所示。为了降低数据分布的复杂性，一般会对特征进行变换和组合，使低维空间中的数据在高维空间中变成线性可分的，如
AI_卢菁博士·2022-12-17 09:52

可解释性机器学习--导论

部分热门研究方向可解释性机器学习可解释性明确的传统机器学习算法卷积神经网络的可解释性分析可视化卷积核编辑遮挡、缩放、平移、旋转找到使某个神经元激活的小图基于类激活热力图（CAM）的可视化语义编码降维可视化生成特定图像思考附录2022年人工智能依旧飞速发展，从传统机器学习模型到如今以“炼丹”为主的深度神经网络
Vector Jason·2022-12-17 09:31

深度学习笔记整理（六）——深度学习的应用

多伦多大学研究团队提出CNN、ReLU、DropOut的使用，可以自动捕捉到多个方向的边缘和颜色渐变、网纹图案等；2013年：反卷积网络的提出，可以恢复卷积结果，直观确认训练后网络的好坏；2014年：深度神经网络的提出
xyq1212·2022-12-17 07:06

BatchFormer：有效提升数据稀缺场景的模型泛化能力｜CVPR2022

文|侯志@知乎（已授权）源|极市平台摘要当前的深度神经网络尽管已经取得了巨大的成功，但仍然面临着来自于数据稀缺的各种挑战，比如数据不平衡，零样本分布，域适应等等。
夕小瑶·2022-12-17 06:49

第七章：PyTorch可视化

7.1可视化网络结构随着深度神经网络做的的发展，网络的结构越来越复杂，我们也很难确定每一层的输入结构，输出结构以及参数等信息，这样导致我们很难在短时间内完成debug。
sunshinecxm_BJTU·2022-12-16 10:00

【论文阅读】inception v1学习总结

【论文阅读总结】inceptionv1总结1.摘要2.序言3.文献综述4.动机和高层考虑4.1提高深度神经网络性能的最直接方法4.1.1增加模型的大小4.1.2解决增加模型大小导致的缺点思路5.结构详述
荼靡，·2022-12-16 09:14

【无标题】

3.梯度消失或爆炸：如果模型使用了深度神经网络，梯度消失或爆炸也可能导致模
算法星球·2022-12-16 08:56

神经网络专业硕士就业,学神经网络毕业去向

深度神经网络硕士就业前景深度神经网络硕士就业前景很好。1、前景很好,中国正在产业升级,工业机器人和人工智能方面都会是强烈的热点,而且正好是在3~5年以后的时间A8U神经网络。
aifans_bert·2022-12-16 08:01

机器学习、深度学习理论基础，数据推导

正则化在深度神经网络训练时的作用正则化可以很好的解决模型过拟合的问题，常见的正则化方式有L2正则化和dropout，但是正则化是以牺牲模型的拟合能力来达到平衡的，因此在对训练集的拟
SensorFusion·2022-12-16 07:00

深度学习

在上一章，我们学习了深度神经网络通常比浅层神经网络更加难以训练。我们有理由相信，若是可以训练深度网络，则能够获得比浅层网络更加强大的能力，但是现实很残酷。
ljtyxl·2022-12-16 06:37
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他