百度飞桨深度学习笔记

Baidu飞桨【PaddlePaddle】图像分割7天训练营课程介绍【UNet模型代码示例】

上周参加了百度飞桨的一个课程，感觉真的非常受用，因为我本身是做检测任务的，学习分割课程的最初出发点是了解这个方向，但真的想到的是，这门课被真正的圈粉，收益匪浅，，非常推荐了！！
Mashal_sym·2020-10-25 14:01

百度飞桨图像分割7天打卡学习

百度飞桨图像分割7天打卡学习课程介绍学习笔记课程介绍全球顶会审稿人亲授，10月19日-10月27日，全直播手把手理论指导+现场逐行coding，带大家告别只会调参和调包，7日玩转图像分割！
Cl2212·2020-10-25 11:32

动手学习深度学习笔记3

importnumpyasnpimporttorchfromtorchimportnn,optimimporttorch.nn.functionalasFimportrandomimportmathimporttimedefsgd(params,lr,batch_size):#为了和原书保持一致，这里除以了batch_size，但是应该是不用除的，因为一般用PyTorch计算loss时就默认已经#
Tony涤生·2020-10-11 04:18

百度世界大会公开课 | 人工智能的安全威胁：深度学习中的攻防对抗分析

其中，在百度飞桨与生态公开课环节，来自百度研究院的资深安全研究员仲震宇带来了《深度学习模型的安全问题与防护》的技术分享。在数据丰沛的时代，计算机可以通过自我学习获得算法，把数据转化为知识。
百度安全·2020-10-09 13:46

【深度学习】深入理解卷积神经网络(CNN)

CNNAuthor：louwillFrom：深度学习笔记本文将为大家介绍一种用途更为广泛、性能更加优越的神经网络结构——卷积神经网络（ConvolutionalNeuralNetwork,CNN）。
风度78·2020-10-02 11:00

百度飞桨跃居世界第二、国内第一！看中国AI领头雁百度的开源进击之路

近日，权威科技媒体通过分析GitHub上的开源项目数据集GitHubArchive，得出2020和2019年度全球深度学习框架排名榜单，其中，百度飞桨PaddlePaddle均力压谷歌Te
界面·2020-09-29 00:00

PaddlePaddle入门学习——波士顿房价预测模型

百度飞桨课程平台https://aistudio.baidu.com/aistudio/course/introduce/1617PaddlePaddle基础命令PaddlePaddle是百度开源的深度学习框架
xuesuoziluoshu·2020-09-19 00:52

F47.深度神经网络中权值初始化（即：卷积核的数值（权值）初始化）

注：神经网络训练时需要对权重进行初始化，若使用迁移学习则不需进行权重初始化（需使用预训练模型中的权重作为深度神经网络的初始权重）1.吴恩达深度学习笔记(21)-神经网络的权重初始化为什么要随机初始化？
米亚123·2020-09-17 06:11

【Tensorflow与深度学习笔记day01】Tensorflow与深度学习介绍+关于 TensorFlow+什么是数据流图（Data Flow Graph）?+Tensorflow的特征

文章目录关于TensorFlow什么是数据流图（DataFlowGraph）?Tensorflow的特征认识Tensorflow1.1.下载以及安装1.2.初识tfTensorflow进阶2.1.张量的阶和数据类型2.2.张量操作2.3.变量的的创建、初始化2.4.名称域与共享变量2.5.图与会话2.6.模型保存与恢复、自定义命令行参数TensorflowIO操作3.1.读取数据3.2.线程和队列
汪雯琦·2020-09-17 05:25

TensorFlow+深度学习笔记1

TensorFlow+深度学习笔记1这阶段掌握的知识：1TensorFlow运行机制、Tensorflow一些函数的调用、深度学习初步；2CNN模型的构建与它的优点，成功使用python编写了一个识别MNIST
潘承远·2020-09-17 04:13

百度飞桨强化学习7日打卡营——世界冠军带你从零实践（结营心得总结）

详细地址：百度飞桨RL7日打卡训练营课程大纲DAY1-强化学习(RL)初印象RL概述、入门路线实践：环境搭建课后作业：搭
joker-wt·2020-09-17 04:13

Coursera deeplearning.ai 深度学习笔记1-4-Deep Neural Networks-深度神经网络原理推导与代码实现

在掌握了浅层神经网络算法后，对深度神经网络进行学习。1.原理推导1.1深度神经网络表示定义：L表示神经网络总层数，上标[l]代表第l层网络，n[l]代表第l层的节点数，a[l]代表第l层的激活，W[l]和b[l]为第l层的参数。输入层为第0层a[0]=x，输出层为第L层a[L]。1.2正向传播(ForwardPropagation)类似浅层神经网络的推导可以得到，对于第l层，针对单个样本，正向传播
tu天马行空·2020-09-17 03:32

深度学习笔记（21） 边缘检测

深度学习笔记（21）边缘检测1.边缘检测简介2.过滤器3.垂直和水平边缘检测4.合适的过滤器1.边缘检测简介在计算机视觉中使用的比较多的就是卷积神经网络卷积运算是卷积神经网络最基本的组成部分边缘检测相对比较容易理解
氢键H-H·2020-09-17 03:20

深度学习笔记2--TensorFlow基础

安装跟往常一样，我们用Conda来安装TensorFlow。你也许已经有过TensorFlow的环境，但确认一下你有所有必要的包。OSX或Linux运行下列命令来配置开发环境condacreate-ntensorflowpython=3.5sourceactivatetensorflowcondainstallpandasmatplotlibjupyternotebookscipyscikit-l
handsome_happy·2020-09-17 03:19

吴恩达老师深度学习笔记第二课（第二周）

第二周优化算法2.1Mini_batch梯度下降算法①向量化可以让你相对较快的处理所有m个样本，但是如果m很大，处理速度仍然缓慢②传统的梯度下降算法，需要先处理所有数据，然后进行下一步梯度下降算法把训练集分割成小一点的子训练集，这些子集取名为Mini_batch（然后每处理一个子集，就把他传下去进行下一步梯度下降算法），同样也要拆分y训练集。③我的理解：就是不再把所有数据向量化一个大向量，而是多个
我爱编程皮肤好好·2020-09-17 03:30

吴恩达老师深度学习笔记第四课第二周

深度卷积网络实例探究2.1为什么要进行实例探究通过研究别人神经网络的架构，是一个学习深度学习不错的方法接下来学习的几种典型的networksLeNet-5AlexNetVGGResNet残差网络Inception2.2经典网络LeNet-5介绍：针对灰度图像处理，大约有6万参数AlexNet介绍：AlexNet包含约6000万个参数，当用于训练图像和数据集时，AlexNet能够处理非常相似的基本构
我爱编程皮肤好好·2020-09-17 03:30

吴恩达老师深度学习笔记第四课第三周

目标检测3.1目标定位定位分类问题例如图像分类问题：不仅仅要判断是否是汽车，还要标注出他的位置通过检测到中心点，并且输出bxbybhbw给出图片对象的边界框，概括的说：神经网络可以通过输出图片上特征点的（x，y）坐标，来实现对目标特征的识别3.2特征点检测举了一个例子：关于识别人脸特征点先选定特征点的个数并生成包括这些特征点的标签训练集，然后利用神经网络输出脸部关键特征点的位置具体做法是准备一个卷
我爱编程皮肤好好·2020-09-17 03:30

吴恩达老师深度学习笔记第二课（第三周）

第三周超参数调整，Batch正则化和程序框架3.1调试处理对于超参数而言，你要如何找到一套好的设定呢？分享一些指导原则，一些关于如何系统地组织超参数调试过程的技巧。如何使用mpmentum或Adam的优化算法的参数，α，ββ1，β2，ε，#layers，#hiddenlimits，learningratedecay，你可能需要选择Mini-batch，结果证实，一些超参数比其他的更为重要。我认为最
我爱编程皮肤好好·2020-09-17 03:30

深度学习笔记（17）：Batch Norm简介

剖析与心得我们已经发现了在初始化的时候将输入数据归一化会得到更快的梯度下降速度与效果。那么其实很容易就会想到，如果我们能在神经网络的每一个隐藏层中都控制这些数值的分布，也许效果会不错。那么Batchnorm就诞生了。它可以使你训练更深层次的神经网络，并且使得下降更快。实现过程只需要四步：1）求出来每一行的zzz均值μ\muμ2）求出来每一行的方差σ\sigmaσ23）得到归一化的zzznorm，此
良夜星光·2020-09-17 03:24

吴恩达老师深度学习笔记第三课第二周

结构化机器学习2.1进行误差分析①（定义）错误分析：通过对网络分析，找到问题，使网络达到自己想要的效果②举例（猫分类）你的分类猫的系统错误率达到10%，你发现错误识别中有很多狗，被错认为猫这时，你可以选择直接通过一些办法来解决狗的问题但是更好的做法是，先找到狗的错误识别的“表现上限”，先找100张错误识别（注意：是在验证集里），如果里边有5张是狗，那么意味着狗的“表现上限”就是5%。这就是错误分析
我爱编程皮肤好好·2020-09-17 02:04

吴恩达深度学习笔记(54)-测试时的 Batch Norm

测试时的BatchNorm（BatchNormattesttime）Batch归一化将你的数据以mini-batch的形式逐一处理，但在测试时，你可能需要对每个样本逐一处理，我们来看一下怎样调整你的网络来做到这一点。回想一下，在训练时，这些就是用来执行Batch归一化的等式。在一个mini-batch中，你将mini-batch的z((i))值求和，计算均值，所以这里你只把一个mini-batch
极客Array·2020-09-17 02:38

深度学习笔记——深度学习框架TensorFlow（二）

一.学习网站：https://www.tensorflow.org/versions/r0.12/tutorials/index.htmlhttp://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/overview.htmlhttp://www.tensorfly.cn/tfdoc/tutorials/mnist_beginners.ht
R3·2020-09-16 23:09

04.卷积神经网络 W1.卷积神经网络

作业参考：吴恩达视频课深度学习笔记1.计算机视觉举例：图片猫识别，目标检测（无人驾驶），图像风格转换（比如转成素描）等等面临的挑战：数据的输入可能会非常大一张1000×1000的图片，特征向量的维度达到了
Michael阿明·2020-09-16 12:12

[深度学习笔记][CNN/GCN]Graph Convolutional Network学习笔记

本文仅为个人的学习笔记，对论文或者网上的资料作总结以及加入个人的理解，对论文或者在线资料可能有诸多理解不准确的地方，见谅。主要参考资料：如何理解GraphConvolutionalNetwork（GCN）？-superbrother的回答-知乎https://www.zhihu.com/question/54504471/answer/332657604Chebyshev多项式作为GCN卷积核-s
猎人伯爵·2020-09-16 00:21

[深度学习笔记][CNN/GCN]卷积神经网络基础

注：这是写给自己看的学习笔记，如有错误敬请指出。1.卷积神经网络的结构由四层构成，分别为：输入、卷积、池化、输出层。2.卷积神经网络的形象理解2.1卷积层的形象理解卷积层的目的实际上是进行特征的提取。在卷积层(conventionlayer)中，使用一个过滤器（kernel）去扫描一个图像，这个过滤器的参数是需要学习的。过滤器与图像进行卷积并滑动，会生成这个图像的特征映射(featuremap)。
猎人伯爵·2020-09-16 00:49

03.结构化机器学习项目 W1.机器学习策略(1)

训练/开发/测试集划分6.开发集和测试集的大小7.什么时候该改变开发/测试集和指标8.人类的表现水准9.可避免偏差10.理解人的表现11.超过人的表现12.改善你的模型的表现测试题作业参考：吴恩达视频课深度学习笔记
Michael阿明·2020-09-15 05:41

深度学习，周志华，机器学习，西瓜书，TensorFlow，Google，吴军，数学之美，李航，统计学习方法，吴恩达，深度学习笔记，pdf下载

1.机器学习入门经典，李航《统计学习方法》2.周志华的《机器学习》pdf3.《数学之美》吴军博士著pdf4.Tensorflow实战Google深度学习框架.pdf5.《TensorFlow实战》黄文坚高清完整PDF6.复旦大学邱希鹏老师编写的讲义《神经网络与深度学习》pdf7.图像处理、分析与机器视觉（第三版）.pdf下载8.深度学习2017讲义9.TensorFlowMachineLearni
剑之所致，心之所往·2020-09-15 04:36

八点半直播 | 不负韶华 以梦为马！论文复现营毕业典礼来啦

经历了一个多月的时间，「百度飞桨顶会论文复现营」终于迎来了结营的时刻！本次论文复现营汇聚了中科院博士、百度资深工程师等顶级师资资源，配套免费多卡GPU算力，手把手带领同学们实践复现全流程。
百度大脑·2020-09-15 00:27

本周AI热点回顾：GPT-3开始探索付费使用；这个视频「橡皮擦」让你瞬间消失;英伟达最强消费级显卡RTX 3090出炉...

百度飞桨发布最新成果，获“科技创新服务示范案例”这周末要被“黑科技”十足的服贸会承包了！今年服贸会以“科技办会”的理念，展示了人工智能、5G、增强现实和虚拟现实等最新的科技成果。
百度大脑·2020-09-15 00:26

百度飞桨PaddleDetection威力再显，助力获得两项ECCV目标检测冠军

点击左上方蓝字关注我们近日，百度视觉团队借助PaddleDetection在计算机视觉顶会ECCV2020（EuropeanConferenceonComputerVision，欧洲计算机视觉国际会议）比赛中，斩获两个赛道冠军，分别是TinyObjectDetection和目标检测领域最权威的比赛COCO。PaddleDetection是基于飞桨核心框架构建的目标检测开发套件，覆盖主流目标检测算法
百度大脑·2020-09-15 00:24

代替人工巡检，及时扑灭隐患：百度飞桨电力巡检方案斩获金巡奖

其中，基于百度飞桨打造的巡检-电网通道环境监测前端模型获得“智能类：输电通道可视化图像智能分析技术创新应用奖”，自主可控电力巡检技术深度学习平台也斩获了“智能类：人工智能巡检技术创新应用奖”，成为人工智能技术助力工业能源行业实现产业智能化升级转型的最佳案例
百度大脑·2020-09-15 00:51

理解mini-batch梯度下降法对loss的影响

核心思想：batchsize太大->loss很快平稳，batchsize太小->loss会震荡（需要理解mini-batch）根据吴恩达深度学习笔记中的内容总结mini-batch梯度下降法的作用和原理
wujieer96·2020-09-14 23:29

【Deep Learning 】深度模型中的优化问题（六）之RMSprop(自适应算法2)

以下节选自个人深度学习笔记。内容整合来源于网络与个人理解。RMSprop口RMSprop是一种改进的Adagrad,通过引入一个衰减系数ρ，让r每回合都衰减一定比例。
Lindsay.Lu丶·2020-09-14 19:59

吴恩达深度学习笔记(41)-深度解析指数加权平均数

理解指数加权平均数（Understandingexponentiallyweightedaverages）上个笔记中，我们讲到了指数加权平均数，这是几个优化算法中的关键一环，而这几个优化算法能帮助你训练神经网络。本笔记中，我希望进一步探讨算法的本质作用。回忆一下这个计算指数加权平均数的关键方程。v_t=βv_(t-1)+(1-β)θ_t比如β=0.9的时候，得到的结果是红线，如果它更接近于1，比如
极客Array·2020-09-14 18:16

百度飞桨强化学习（3）

插话阅读知乎文章笔记文章地址：DQN从入门到放弃1DQN与增强学习DQN从入门到放弃2增强学习与MDPDQN从入门到放弃3价值函数与Bellman方程DQN从入门到放弃4动态规划与Q-LearningDQN从入门到放弃5深度解读DQN算法DQN从入门到放弃6DQN的各种改进DQN从入门到放弃7连续控制DQN算法-NAF在增强学习的世界，我们相信如果输入是确定的，那么输出也一定是确定的。试想一下，有
只会git clone的程序员·2020-09-14 15:44

PaddlePaddle七日训练营总结

刚开始我还花了一笔大洋报了一个培训班，之后竟然在公众号上看到百度飞桨PaddlePaddle免费七日训练营的报名推送。抱着有羊毛不薅白不薅的心态，果断报了名。
Lorry_Warren·2020-09-14 03:30

Adam优化算法原理详解（吴恩达深度学习笔记）

在介绍Adam之前首先介绍一下momentum和RMSprop优化算法。一、momentum1、指数加权平均数指数加权平均数不仅考虑了当前数值也涵盖了以前的数据对现在的影响。解释指数加权平均值名称的由来：指数加权平均值的应用：使用这种方法进行数据的估计可能不是最精确的，但是这种方法计算简单，节省内存。指数加权平均数因为设置的第0个值为0，所以对于前几个数都会出现严重的偏差，所以引入了偏差修正。2.
爱笑的李·2020-09-13 16:26

深度学习笔记（35） 滑动窗口的卷积实现

深度学习笔记（35）滑动窗口的卷积实现1.卷积实现2.减少计算成本1.卷积实现为了构建滑动窗口的卷积应用，首先要知道如何把神经网络的全连接层转化成卷积层假设对象检测算法输入一个14×14×3的图像，图像很小
氢键H-H·2020-09-13 10:58

吴恩达神经网络和深度学习笔记

Python广播运算cal=A.sum（axis=0）矩阵A竖直相加，每一列相加，如果axis=1就是每一行求和用reshape指令来确定矩阵的形式，如果不是非常清楚矩阵的行列的话，用reshape自己定义一下用一个m*n的矩阵加减乘除一个1*n的矩阵，Python会把后者复制成一个m*n的矩阵，然后逐个元素计算避免Python程序和NUMPY出现bug的方法：1.避免使用秩为1的定义，如a=np
刘爱然·2020-09-13 03:26

吴恩达神经网络和深度学习笔记（广播，激活函数）

吴恩达神经网络和深度学习笔记往期回顾广播A.sum(axis=0)中的参数axis。
Zzjw527·2020-09-13 00:19

神经网络与深度学习笔记汇总四

神经网络与深度学习笔记汇总四往期回顾将之前掘金写的学习笔记所遇困难搬到这里，方便查看复习学习内容1、在信号处理中认为信号具有较大的方差，噪声有较小的方差，信噪比就是信号与噪声的方差比，越大越好。
Zzjw527·2020-09-13 00:19

神经网络与深度学习笔记汇总二

神经网络与深度学习笔记汇总二正交化（方便调整参数）迭代单实数评估指标（判断几种手段/方法哪个更好）指标选取训练集、开发集、测试集作用与用途评估指标判断算法是好是坏迁移学习总结往期回顾结构化机器学习项目正交化
Zzjw527·2020-09-13 00:48

神经网络与深度学习笔记汇总一

神经网络与深度学习笔记汇总一梯度下降法:向量化:代替for循环广播ReLU激活函数逻辑回归损失函数（误差函数）代价函数卷积神经网络往期回顾梯度下降法:通过最小化代价函数（成本函数）来训练的参数w和b步骤
Zzjw527·2020-09-13 00:46

神经网络与深度学习笔记汇总五

神经网络与深度学习笔记汇总五往期回顾将之前掘金写的学习笔记所遇困难搬到这里，方便查看复习遇到问题：报错(未解决)学习内容：1、报错operandshouldcontain1columnsin条件后面有多个字段
Zzjw527·2020-09-13 00:46

神经网络与深度学习笔记汇总三

神经网络与深度学习笔记汇总三往期回顾将之前掘金写的学习笔记所遇困难搬到这里，方便查看复习遇到问题：异常值处理学习内容1、.drop()返回的是一个新对象，原对象不会被改变。
Zzjw527·2020-09-13 00:46

[论文复现]Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalizatiton

前言趁着暑假还有足够多的时间,参加了百度飞桨的论文复现营,10篇论文之中选择了这篇论文。
Costwen·2020-09-12 18:46

深度学习笔记(2) - 神经网络的数学基础

神经网络的数学基础数学概念：张量、张量运算、微分、梯度下降。深度学习中的数据概念张量常见的张量类型张量：它是一个数据容器，模型中最基本的数据结构，比如，矩阵（2维张量）标量（0D张量）标量：仅仅包含一个数字的张量（标量张量，零维张量，0D张量）在Numpy中，一个float32或float64的数字,可以通过ndim属性来查询轴的个数。向量（1D张量）向量：数字组成的数组，只有一维，一个轴矩阵（2
瓦力人工智能·2020-09-12 16:45

百度飞桨PaddlePaddle论文复现训练营——U-GAT-IT 论文复现心得

项目背景本次论文复现是源自百度顶会论文复现营：https://aistudio.baidu.com/aistudio/education/group/info/1340复现对象是2020ICLR上的U-GAT-IT这篇论文：https://github.com/znxlwm/UGATIT-pytorch论文阅读笔记：https://blog.csdn.net/qq_42067550/article
AItrust·2020-09-12 03:11

神经网络与深度学习笔记（四）为什么用交叉熵代替二次代价函数

1、为什么不用二次方代价函数我们用的loss方程是a是神经元的输出，其中a=σ(z)，z=wx+b使用链式法则求权重和偏置的偏导数有：可知，偏导数受激活函数的导数影响再由sigmoid函数可知，sigmoid的导数在输出接近0和1的时候是非常小的，这会导致一些实例在刚开始训练时学习得非常慢：2、为什么要用交叉熵先看公式：求权重和偏置的偏导数：根据σ′(z)=σ(z)(1−σ(z))，知由以上公式可
dsjdjsa·2020-09-11 22:49

百度飞桨-手把手带你零基础实践深度学习-课程笔记（二）

手写数字识别数字识别是计算机从纸质文档、照片或其他来源接收、理解并识别可读的数字的能力，目前比较受关注的是手写数字识别。手写数字识别是一个典型的图像分类问题，已经被广泛应用于汇款单号识别、手写邮政编码识别等领域，大大缩短了业务处理时间，提升了工作效率和质量。在处理如图所示的手写邮政编码的简单图像分类任务时，可以使用基于MNIST数据集的手写数字识别模型。MNIST是深度学习领域标准、易用的成熟数据
假面骑士Quit·2020-09-11 10:13
上一页 28 29 30 31 32 33 34 35 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他