神经网络机器学习第25页

每天五分钟玩转深度学习PyTorch：模型参数优化器torch.optim

本文重点在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化(或最大化)，优化算法就是一种调整模型参数更新的策略。

幻风_huanfeng·2024-09-14 23:32

一切皆是映射：AI的去中心化：区块链技术的融合

区块链技术的融合作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：AI，区块链，去中心化，智能合约，共识机制，数据安全，隐私保护，分布式账本技术，机器学习

AI大模型应用之禅·2024-09-14 21:45

第五届核磁机器学习班（训练营：2023.6.5~6.17）

茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★基于血氧水平依赖的功能磁共振成像(fMRI)技术,利用其数据构建的功能性脑网络后,发现脑并不是一个单纯对外界刺激进行

茗创科技·2024-09-14 20:08

如何有效的学习AI大模型？

以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。

Python程序员罗宾·2024-09-14 15:37

【3.6 python中的numpy编写一个“手写数字识”的神经网络】

3.6python中的numpy编写一个“手写数字识”的神经网络要使用Python中的NumPy库从头开始编写一个“手写数字识别”的神经网络，我们通常会处理MNIST数据集，这是一个广泛使用的包含手写数字的图像数据集

wang151038606·2024-09-14 13:21

文本生成图像工作简述1--概念介绍和技术梳理

https://blog.csdn.net/air__Heaven/article/details/127302735【嵌牛导读】文本生成图像的概念介绍与技术梳理【嵌牛鼻子】文本生成图像基于深度学习的机器学习方法已经在语音

尹凯·2024-09-14 11:50

一篇文章带你彻底弄懂大模型——掌握基本概念，领先别人一步！

大模型是指具有大规模参数和复杂计算结构的机器学习模型。

努力的光头强·2024-09-14 11:39

yolov5单目测距+速度测量+目标跟踪

常见的单目测距算法包括基于视差的方法（如立体匹配）和基于深度学习的方法（如神经网络）。基于深度学习的方法通常使用卷积神经网络（CNN）来学习从图像到深度图的映射关系。

cv_2025·2024-09-14 09:59

使用Fleet AI Context和LangChain构建高效的文档检索系统

使用FleetAIContext和LangChain构建高效的文档检索系统引言在当今的AI和机器学习领域，高质量的文档检索系统对于提高开发效率和用户体验至关重要。

afTFODguAKBF·2024-09-14 09:28

Spark MLlib模型训练—推荐算法 ALS(Alternative Least Squares)

不二人生·2024-09-14 08:25

使用MLOps进行AI部署的顶级公司

自从AI技术进入主流领域以来，MLOps（机器学习运维）已成为在生产环境中部署和管理机器学习模型的一系列实践，这对企业的成败起着关键作用。

AI研报·2024-09-14 07:12

天下苦英伟达久矣！PyTorch官方免CUDA加速推理，Triton时代要来？

在更大的机器学习编程与计算范畴，同样严重依赖CUDA，使用它加速的机器学习模型可以实现更大的性能提升。虽然CUDA在加速计算领域占据主导地位，并成为英伟达重要的护城河之一。

诗者才子酒中仙·2024-09-14 04:56

深度学习入门篇：PyTorch实现手写数字识别

深度学习作为机器学习的一个分支，近年来在图像识别、自然语言处理等领域取得了显著的成就。在众多的深度学习框架中，PyTorch以其动态计算图、易用性强和灵活度高等特点，受到了广泛的喜爱。

AI_Guru人工智能·2024-09-14 02:43

探索深度学习的奥秘：从理论到实践的奇幻之旅

目录引言：穿越智能的迷雾一、深度学习的奇幻起源：从感知机到神经网络1.1感知机的启蒙1.2神经网络的诞生与演进1.3深度学习的崛起二、深度学习的核心魔法：神经网络架构2.1前馈神经网络（FeedforwardNeuralNetwork

小周不想卷·2024-09-13 21:11

卷积神经网络（CNN）详细介绍及其原理详解（二）

接上一文继续;五、全连接层假设还是上面人的脑袋的示例，现在我们已经通过卷积和池化提取到了这个人的眼睛、鼻子和嘴的特征，如果我想利用这些特征来识别这个图片是否是人的脑袋该怎么办呢？此时我们只需要将提取到的所有特征图进行“展平”，将其维度变为1×x1×x1×x，这个过程就是全连接的过程。也就是说，此步我们将所有的特征都展开并进行运算，最后会得到一个概率值，这个概率值就是输入图片是否是人的概率，这个过程

FFmpeg123·2024-09-13 20:04

Vue + Django的人脸识别系统

最近在研究机器学习，刚好最近看了vue+Djangodrf的一些课程，学以致用，做了一个人脸识别系统。项目前端使用Vue框架，用到了elementui组件，写起来真是方便。

DXSsssss·2024-09-13 19:28

【机器学习】必会降维算法之：奇异值分解（SVD）

奇异值分解（SVD）1、引言2、奇异值分解（SVD）2.1定义2.2应用场景2.3核心原理2.4算法公式2.5代码示例3、总结1、引言一转眼，小屌丝：鱼哥，就要到每年最开心的节日了：六一儿童节。小鱼：你有啥想法？小屌丝：想法没有，玩的地方倒是想小鱼：拉倒吧，我可不去小屌丝：确定？小鱼：看情况。小屌丝：嘿嘿，难得过节日，我们也得放松一下小鱼：正有此意。2、奇异值分解（SVD）2.1定义奇异值分解（S

Carl_奕然·2024-09-13 17:21

【图像压缩】奇异值分解SVD灰色图像压缩（可设置压缩比）【含Matlab源码 4358期】

Matlab武动乾坤·2024-09-13 16:14

TensorFlow的基本概念以及使用场景

TensorFlow是一个机器学习平台，用于构建和训练机器学习模型。它使用图形表示计算任务，其中节点表示数学操作，边表示计算之间的数据流动。

张柏慈·2024-09-13 15:03

【ShuQiHere】探索人工智能核心：机器学习的奥秘

【ShuQiHere】什么是机器学习？机器学习（MachineLearning,ML）是人工智能（ArtificialIntelligence,AI）中最关键的组成部分之一。

ShuQiHere·2024-09-13 14:59

综述论文“A Survey of Zero-Shot Learning: Settings, Methods, and Applications”

该零样本学习综述，发表于ACMTrans.Intell.Syst.Technol.10,2,Article13(January2019)摘要：大多数机器学习方法着重于对已经在训练中看到其类别的实例进行分类

硅谷秋水·2024-09-13 14:27

大规模语言模型的书籍分享，从零基础入门到精通非常详细收藏我这一篇就够了

它们以其大规模的参数和强大的性能表现，推动着机器学习和深度学习技术的发展。对于GPT系列大规模语言模型的发展历程，有两点令人印象深刻。

黑客-雨·2024-09-13 10:05

机器学习 VS 表示学习 VS 深度学习

文章目录前言一、机器学习是什么?二、表示学习三、深度学习总结前言本文主要阐述机器学习,表示学习和深度学习的原理和区别.一、机器学习是什么?

Efred.D·2024-09-13 08:55

TextCNN：文本卷积神经网络模型

目录什么是TextCNN定义TextCNN类初始化一个model实例输出model什么是TextCNNTextCNN（TextConvolutionalNeuralNetwork）是一种用于处理文本数据的卷积神经网（CNN）。通过在文本数据上应用卷积操作来提取局部特征，这些特征可以捕捉到文本中的局部模式，如n-gram（连续的n个单词或字符）。定义TextCNN类importtorch.nnasn

一只天蝎·2024-09-13 07:48

机器学习与深度学习的区别

文章目录机器学习与深度学习的区别一、引言二、机器学习概述1、机器学习定义1.1、机器学习的应用2、机器学习算法三、深度学习概述1、深度学习定义1.1、深度学习的应用2、深度学习算法四、机器学习与深度学习的区别

eqa11·2024-09-13 06:11

景联文科技：专业数据标注公司，推动AI技术革新

数据标注作为AI技术发展的重要支撑，对于训练高质量的机器学习模型以及推动应用领域的创新具有不可替代的作用。

景联文科技·2024-09-13 06:36

【网易低代码】第2课，页面表格查询功能

这是一个新课程CodeWave网易低代码通过自然语言交互式智能编程，同时利用机器学习，帮助低代码开发者进一步降低使用门槛、提高应用开发效率【网易低代码】第2课，页面表格查询功能1.拖拽表格组件到页面布局中

Karle_·2024-09-13 03:15

基于VGG的猫狗识别

由于猫和狗的数据在这里，所以就做了一下分类的神经网络1、首先进行图像处理：importcsvimportglobimportosimportrandomos.environ['TF_CPP_MIN_LOG_LEVEL

卑微小鹿·2024-09-13 02:11

机器学习到底是个啥

机器学习是装逼神器？曾几何时，当我还在本科打dota玩屁股的时候，身边总有一帮大神。听他们谈话我的心情是。。。大佬中有各路高手前端、后段、java三大架构。。。

旷_9b08·2024-09-13 02:52

人工智能-GPU版本机器学习、深度学习模型安装

背景1、在有Nvidia-GPU的情况下模型使用cuda加速计算，但是很有多模型的GPU和CPU版本安装方式不同，如何安装lgb\cat\xgb.2、为了让代码有普适性，如何自适应环境当中的设备进行CPU或者GPU的调整？解决方案问题一：安装GPU版本的LightGBMLightGBM默认不会安装GPU支持版，需要手动编译以启用GPU。以下是在Linux和Windows上编译GPU版本LightG

bw876720687·2024-09-13 02:06

【机器学习】朴素贝叶斯

3.朴素贝叶斯素贝叶斯算法（NaiveBayes）是一种基于贝叶斯定理的简单而有效的分类算法。其“朴素”之处在于假设各特征之间相互独立，即在给定类别的条件下，各个特征是独立的。尽管这一假设在实际中不一定成立，合理的平滑技术和数据预处理仍能使其在许多任务中表现良好。优点：速度快：由于朴素贝叶斯仅需计算简单的概率，训练和预测的速度非常快。适用于高维数据：即使在特征数量多的情况下，朴素贝叶斯仍然表现良好

可口的冰可乐·2024-09-13 00:57

入门篇，带你了解CPU, GPU, TPU, NPU, DPU

目录CPU(中央处理器)GPU(图形处理器)TPU(张量处理单元)NPU(神经网络处理器)DPU(数据处理器)CPU(中央处理器)专业介绍：CPU是计算机系统的核心，负责执行操作系统和应用程序的指令。

今夕是何年，·2024-09-13 00:55

深度学习之基于Tensorflow卷积神经网络水果蔬菜分类识别系统

欢迎大家点赞、收藏、关注、评论啦，由于篇幅有限，只展示了部分核心代码。文章目录一项目简介二、功能三、系统四.总结一项目简介一、项目背景与目标背景：在现代农业、智能零售等领域，自动化分类与识别技术对于提高效率、优化供应链管理具有重要意义。为了响应这一需求，本项目旨在构建一个基于深度学习技术的水果蔬菜分类识别系统。目标：构建一个准确率高、性能稳定的水果蔬菜分类识别模型，利用Tensorflow框架

qq1744828575·2024-09-13 00:25

机器学习引领未来：赋能精准高效的图像识别技术革新

机器学习，特别是深度学习的突破，推动了这一领域的技术革新。本文将深入探讨机器学习如何赋能图像识别技术，从基础理论到前沿进展，再到实际应用与挑战展望，为您全面呈现这一领域的最新动态和未来趋势。

刷刷刷粉刷匠·2024-09-13 00:53

MATLAB车牌识别系统

该系统使用图像处理和机器学习算法来实现车牌的定位和字符识别。

清风明月来几时·2024-09-12 23:19

【机器学习】广义线性模型（GLM）的基本概念以及广义线性模型在python中的实例（包含statsmodels和scikit-learn实现逻辑回归）

引言GLM扩展了传统的线性回归模型，使其能够处理更复杂的数据类型和分布文章目录引言一、广义线性模型1.1定义1.2广义线性模型的组成1.2.1响应变量（ResponseVariable）1.2.2链接函数（LinkFunction）1.2.3线性预测器（LinearPredictor）1.3常见的广义线性模型1.3.1线性回归1.3.2逻辑回归1.3.3泊松回归1.4GLM的特性1.5广义线性模型

Lossya·2024-09-12 23:47

Matlab,Python,Java,C++的比较

适合做数据挖掘、数据分析、机器学习、人工智能、自然语言处理、爬虫、批量文件处理等，此外，Python开源免费，有很多的库，开发环境开发社区都比较友好；不过，Python是动态型的语言，需要更多的测试，并且错误仅仅是在运行的时候

Codefengfeng·2024-09-12 21:37

机器学习实战笔记5——线性判别分析

任务安排1、机器学习导论8、核方法2、KNN及其实现9、稀疏表示3、K-means聚类10、高斯混合模型4、主成分分析11、嵌入学习5、线性判别分析12、强化学习6、贝叶斯方法13、PageRank7、

绍少阿·2024-09-12 20:32

【深度学习实战】使用深度学习模型可视化工具——Netron在线可视化深度学习神经网络

一直以来，对于深度学习领域的开发者，可视化模型都是非常迫切的需求，今天主要介绍一款可视化工具——NetronNetron有三种使用方式：在线、本地安装、pip安装今天在这里只介绍在线使用这种方式。Netron有个官方的网站：Netron点击进去是这样的一个界面我们可以点击openmodel从本地选择一个预训练模型可以看到这里就显示出来了

量子-Alex·2024-09-12 20:32

PHP中使用grpc服务的教程详解

grpc是面对微服务框架而风生水起的，上次我用python编写了一个图神经网络处理的微服务，使用grpc放在我的服务

Oona_01·2024-09-12 18:16

机器学习，深度学习，AGI，AI的概念和区别

1.人工智能（AI）的定义与范围1.1AI的基本概念人工智能（AI）是指通过计算机系统模拟人类智能的技术和科学。AI的目标是创建能够执行通常需要人类智能的任务的系统，如视觉识别、语音识别、决策制定和语言翻译。AI的核心在于其能够处理和分析大量数据，从中提取有用的信息，并根据这些信息做出决策或预测。AI的发展可以追溯到20世纪50年代，当时科学家们开始探索如何使机器能够执行复杂的任务。随着计算能力的

我就是全世界·2024-09-12 17:13

十大机器学习算法-梯度提升决策树（GBDT）

简介梯度提升决策树（GBDT）由于准确率高、训练快速等优点，被广泛应用到分类、回归合排序问题中。该算法是一种additive树模型，每棵树学习之前additive树模型的残差。许多研究者相继提出XGBoost、LightGBM等，又进一步提升了GBDT的性能。基本思想提升树-BoostingTree以决策树为基函数的提升方法称为提升树，其决策树可以是分类树或者回归树。决策树模型可以表示为决策树的加

zjwreal·2024-09-12 17:13

每天五分钟玩转深度学习框架PyTorch：获取神经网络模型的参数

本文重点当我们定义好神经网络之后，这个网络是由多个网络层构成的，每层都有参数，我们如何才能获取到这些参数呢？我们将再下面介绍几个方法来获取神经网络的模型参数，此文我们是为了学习第6步（优化器）。

幻风_huanfeng·2024-09-12 16:37

每天五分钟玩转深度学习框架PyTorch：将nn的神经网络层连接起来

本文重点前面我们学习pytorch中已经封装好的神经网络层，有全连接层，激活层，卷积层等等，我们可以直接使用。

幻风_huanfeng·2024-09-12 16:34

机器学习和深度学习的区别

机器学习和深度学习在多个方面存在显著的区别，以下是对这些区别的详细阐述：一、定义与起源机器学习：是人工智能的一个分支领域，它使计算机能够从数据中学习并改进其性能，而无需进行显式编程。

不会代码的小林·2024-09-12 14:22

机器学习第12章计算学习理论

目录基础知识PAC学习有限假设空间可分情形不可分情形VC维稳定性基础知识计算学习理论研究的是关于通过"计算"来进行"学习"的理论，即关于机器学习的理论基础，其目的是分析学习任务的困难本质，为学习算法提供理论保证

一只小小程序猿·2024-09-12 13:48

【机器学习】近似推断的基本概念以及变分贝叶斯的基本概念

引言近似推断是处理大规模或复杂概率图模型时常用的一种方法，特别是在精确推断变得不可行或不实际的情况下文章目录引言一、近似推断1.1常见的近似推断方法1.1.1采样方法（SamplingMethods）1.1.1.1马尔可夫链蒙特卡洛（MCMC）1.1.1.2重要性采样（ImportanceSampling）1.1.1.3蒙特卡洛模拟（MonteCarloSimulation）1.1.2变分推断（V

Lossya·2024-09-12 13:46

一些机器学习不错的书籍

jimmyleeee·2024-09-12 13:46

亦菲喊你来学机器学习（20） --PCA数据降维

文章目录PCA数据降维一、降维二、优缺点三、参数四、实例应用1.读取文件2.分离特征和目标变量3.使用PCA进行降维4.打印特征所占百分比和具体比例5.PCA降维后的数据6.划分数据集7.训练逻辑回归模型8.评估模型性能总结PCA数据降维主成分分析（PrincipalComponentAnalysis,PCA）是一种常用的数据降维技术，它可以在保留数据集中最重要的特征的同时，减少数据的维度。PCA

方世恩·2024-09-12 11:05

亦菲喊你来学机器学习（21） --数据清洗

数据清洗在数据分析和机器学习项目中，数据清洗（DataCleaning）是一个至关重要的步骤，它涉及到处理原始数据中的错误、缺失值、异常值、重复记录以及不一致的格式等问题。