深度学习相关

最新推荐文章于 2024-02-03 02:18:31 发布
最新推荐文章于 2024-02-03 02:18:31 发布
阅读量1.1k 收藏 5
点赞数
分类专栏： 资源
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nnnnnnnnnnnny/article/details/54571534
版权

优秀博客

ML
Structuring Your TensorFlow Models
DEEP LEARNING GLOSSARY

待学习

专栏 | Momenta详解ImageNet 2017夺冠架构SENet

多任务

An Overview of Multi-Task Learning in Deep Neural Networks∗
一箭N雕：多任务深度学习实战
模型汇总-14 多任务学习-Multitask Learning概述

tensorflow中使用rnn

TensorFlow中RNN实现的正确打开方式
解读tensorflow之rnn
基于TensorFlow一次简单的RNN实现
TensorFlow练习3-RNNs实现分类

TensorFlow

TensorFlow 官方文档中文版
Tensorflow Python API
如何高效的学习 TensorFlow 代码?
『深度长文』Tensorflow代码解析（一）
入门级解读：小白也能看懂的TensorFlow介绍
教程 | 七个小贴士，顺利提升TensorFlow模型训练表现
书籍《TensorFlow实战Google深度学习框架》 、《TensorFlow实战》
经典网络的 TensorFlow 实现资源汇总
TensorFlow初学者指南：如何为机器学习项目创建合适的文件架构

mxnet

a short introduction to mxnet design and implementation (chinese)
Symbol教程：如何在mxnet中用其构建神经网络图
从零开始学习MXnet
MXNet源码分析
MXNet 中 Parameter 模块的设计
https://saicoco.github.io/activation-source/

深度强化学习

文章：
智能单元 - 知乎专栏， 这个超级好
MOOC学院上深度学习的一门课程Reinforcement Learning
深度强化学习[Deep Reinforcement Learning]相关工作
强化学习系列
专题 | 深度强化学习综述：从AlphaGo背后的力量到学习资源分享（附论文）

cs231n课程翻译及中文笔记

Leifeifei的cs231n课程应该是继Andrew Ng后最著名的课程了。
官网：CS231n: Convolutional Neural Networks for Visual Recognition
中文字幕翻译视频课程（连载中）：斯坦福CS231n—深度学习与计算机视觉
中文笔记翻译：CS231n课程翻译系列

关于迁移学习

详解丨香港科技大学杨强 KDD China 技术峰会演讲：迁移学习的本质与实际应用
神经风格迁移研究概述：从当前研究到未来方向（附论文和代码）

关于深度学习

深度 | 提升深度学习模型的表现，你需要这20个技巧（附论文）
不堆砌公式，用最直观的方式带你入门深度学习
谷歌大脑科学家亲解 LSTM：一个关于“遗忘”与“记忆”的故事
AI 如何助你成为“画家”｜硬创公开课
深度 | 卷积神经网络（CNN）在无人驾驶中的应用
地平线机器人杨铭：深度神经网络在图像识别应用中的演化

GAN模型

深度学习新星：GANs的基本原理、应用和走向
《生成对抗网络GANs和DCGANs介绍》
“生成对抗网络”是啥？这位技术大牛给你讲讲 ，Ian Goodfellow在NIPS2016上的tutorial，非常棒
DCGAN示例教程Deep Convolutional Generative Adversarial Network
【青年学者专栏】解读GAN及其 2016 年度进展

自动驾驶

MIT 开了一门只有九小时的课，教你用深度学习构建自动驾驶
原课程网址在这里：6.S094: Deep Learning for Self-Driving Cars

梯度消失问题(vanishing gradient problem)

sigmod函数的硬伤
关于具体原因
参考：How does the ReLu solve the vanishing gradient problem?
How do CNN’s avoid the vanishing gradient problem
及周志华《机器学习》5.3节BP算法

其他

机器学习和深度学习引用量最高的20篇论文（2014-2017）
，可以据此看一看自己有没有漏掉一些重要知识。
为什么 AI 工程师要懂一点架构？

FCN

特别好的一篇解读：Fully Convolutional Networks

NodYoung
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
An Overview of Multi-Task Learning in Deep Neural Networks.pdf
02-23
Multi-task learning (MTL) has led to successes in many applications of machine learning, from natural language processing and speech recognition to computer vision and drug discovery. This article aims to give a general overview of MTL, particularly in deep neural networks. It introduces the two most common methods for MTL in Deep Learning, gives an overview of the literature, and discusses recent advances. In particular, it seeks to help ML practitioners apply MTL by shedding light on how MTL works and providing guidelines for choosing appropriate auxiliary tasks.
深度神经网络的多任务学习概览(An Overview of Multi-task Learning in Deep Neural Networks)
邦戈邦戈栗子的博客
02-24 1504
译自：http://sebastianruder.com/multi-task/ 1. 前言 在机器学习中，我们通常关心优化某一特定指标，不管这个指标是一个标准值，还是企业KPI。为了达到这个目标，我们训练单一模型或多个模型集合来完成指定得任务。然后，我们通过精细调参，来改进模型直至性能不再提升。尽管这样做可以针对一个任务得到一个可接受得性能，但是我们可能忽略了一些信息，这些信息有助于在我们关心的指标上做得更好。具体来说，这些信息就是相关任务的监督数据。通过在相关任务间共享表示信息，我们的模型在原...
【多任务学习】An Overview of Multi-Task Learning in Deep Neural Networks
十一月廿七风雨大作
05-08 686
译自：http://sebastianruder.com/multi-task/ 1. 前言 在机器学习中，我们通常关心优化某一特定指标，不管这个指标是一个标准值，还是企业KPI。为了达到这个目标，我们训练单一模型或多个模型集合来完成指定得任务。然后，我们通过精细调参，来改进模型直至性能不再提升。尽管这样做可以针对一个任务得到一个可接受得性能，但是我们可能忽略了一些信息，这些信息有助于在我们关心的指标上做得更好。具体来说，这些信息就是相关任务的监督数据。通过在相关任务间共享表示信息，我们的模型在原始任务上.
深度学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 19万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
[译]深度神经网络的多任务学习概览(An Overview of Multi-task Learning in Deep Neural Networks)...
weixin_30900589的博客
07-10 875
译自：http://sebastianruder.com/multi-task/ 1. 前言 在机器学习中，我们通常关心优化某一特定指标，不管这个指标是一个标准值，还是企业KPI。为了达到这个目标，我们训练单一模型或多个模型集合来完成指定得任务。然后，我们通过精细调参，来改进模型直至性能不再提升。尽管这样做可以针对一个任务得到一个可接受得性能，但是我们可能忽略了一些信息，这些信息有助于在我们关...
深度学习相关研究综述
12-22
深度学习技术已经成为当前人工智能领域的一个研究热点，其已在图像识别、语音...为了能够及时跟踪深度学习技术的最新研究进展，把握深度学习技术当前的研究热点和方向，本文针对深度学习技术的相关研究内容进行综述。
深度学习相关知识
01-06
一.过拟合、欠拟合及其解决方案 一类是模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting）； 另一类是模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。...
深度学习相关资料
03-28
包含深度学习的基本理论与方法及教程，有相关讲义与学习笔记。
重新整理深度学习相关知识
08-08
重新整理深度学习相关知识。里面包含线性神经网络、多层感知机、卷积神经网络、现代神经网络、循环神经网络等。包含：算法、代码、项目、电子书等。让深度学习可平易近人。关于机器学习的项目，新手可作为入门项目...
深度学习知识点总结（持续更新中）
weixin_43749805的博客
05-10 3250
神经网络是深度学习的基础。它由许多层组成，每层包含许多神经元。每个神经元接收来自上一层的输入，并产生一个输出，该输出作为下一层的输入。神经网络通过反向传播算法来学习，并通过权重和偏差来调整每个神经元的输出。
SENet-Tensorflow：使用Cifar10（ResNeXt，Inception-v4，Inception-resnet-v2）的“挤压和激励网络”的简单Tensorflow实现
02-06
SENet-Tensorflow 使用Cifar10的简单Tensorflow实现 我实现了以下SENet 如果您想查看原始作者的代码，请参考此 要求 Tensorflow 1.x Python 3.x tflearn（如果您易于使用全局平均池，则应安装tflearn ） 问题 图片尺寸 在纸上，尝试了ImageNet 但是，由于Inception网络中的图像大小问题，因此我对Cifar10使用零填充 input_x = tf . pad ( input_x , [[ 0 , 0 ], [ 32 , 32 ], [ 32 , 32 ], [ 0 , 0 ]]) # size 32x32
An Overview of Multi-Task Learning in Deep Neural Networks
RRZS的博客
10-04 1689
在人类学习中，不同学科之间的往往能起到相互促进的作用。那么，对于机器学习是否也是这样的，我们不仅仅让它专注于学习一个任务，而是让它学习多个相关的任务，是否可以让机器在各个任务之间融会贯通，从而提高在主任务上面的结果呢? 1.multi-task的两种形式 前面的层是权重共享的，后面的层权重是不同的。 所有的层权重都是不同的，但是对于前面的层，我们会约束他们的权重尽可能地接近，通过会加...
人工智能前沿——深度学习热门领域（确定选题及研究方向）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-29 8128
人工智能前沿——深度学习热门领域（确定选题及研究方向）
深度学习--神经网络全面知识点总结（持续更新中）
weixin_43749805的博客
06-07 4622
想象一下，你正在学习如何识别不同种类的动物，比如狗、猫和鸟。你会观察它们的特征，如体型、毛色、嘴形等，然后逐渐学会将这些特征与相应的动物类别关联起来。神经网络也是以类似的方式工作。它由大量的人工神经元组成，每个神经元类似于一个小的计算单元。每个神经元接收来自其他神经元的输入，并通过一个称为激活函数的非线性函数来处理这些输入。激活函数决定了神经元是否应该“激活”并传递信号给下一层神经元。举例来说，假设你要训练一个神经网络来识别猫和狗的图像。神经网络的第一层可以是图像的像素值，每个像素作为一个输入。
综述翻译：多任务学习-An Overview of Multi-Task Learning in Deep Neural Networks
Ten_yn的博客
03-02 2128
多任务学习已经在机器学习的很多领域取得成功，包括自然语言处理、语音识别、计算机视觉和药物发现。本文旨在给出多任务学习的概述，尤其是在深度神经网络方面的多任务学习。本文介绍了深度学习中两种最常用的多任务学习方法，给出了这方面的概述，并讨论了最新进展。特别是，它通过阐明多任务学习的工作原理并提供选择适当辅助任务的指南来帮助机器学习从业者应用多任务学习。
深度学习在化学与材料科学领域的应用：分子设计与性能预测
最新发布
禅与计算机程序设计艺术
02-03 712
1.背景介绍 在过去的几十年里，化学和材料科学领域的研究者们一直在寻找更有效的方法来设计新的分子和材料。传统的实验方法通常需要大量的时间和资源，而且结果往往难以预测。近年来，深度学习技术的发展为这个问题提供了新的解决方案。深度学习是一种基于人工神经网络的机器学习方法，它可以从大量的数据中学习和预测复杂的模式。在化学和材料科学领域，深度学习可以用于预测分子的性质，设计新的分子，以及预测材料的性能。...
深度学习中的多任务学习介绍
网络资源是无限的
03-27 1万+
在2017年有一篇关于在深度神经网络中多任务学习概述的论文：《An Overview of Multi-Task Learning in Deep Neural Networks》，论文链接为：https://arxiv.org/pdf/1706.05098.pdf，它介绍了在深度学习中多任务学习(Multi-task Learning, MTL)的两种最常用的方法。以下截图均来自此论文。 传统的机器学习方法主要是基于单任务的学习(Single-task Learning)模式进行学习，对于复杂的学习任务
深度学习——学习总结（1）
weixin_47703176的博客
04-11 914
前言 学习深度学习也有小半年了，因为平时还要上课，学习速度比较慢。目前三大框架——tensorflow、keras、pytorch 的基础内容都学了一遍。但不时回想前面的学习内容时，或多或少都有一些遗忘，因此在这里记录一下自己在学习这三个框架中遇到的重点内容。 一.tensorflow基础 ...
多任务学习-An Overview of Multi-Task Learning in Deep Neural Networks论文笔记
wxf19940618的博客
01-04 1947
An Overview of Multi-Task Learning in Deep Neural Networks论文笔记   概述：多任务学习有很多形式，如联合学习（Joint Learning），自主学习（Learning to Learn），借助辅助任务学习（Learning with Auxiliary Tasks）等。一旦发现正在优化多于一个的目标函数，就可以通过多任务学习来进行有...
与深度学习相关的思政要素
05-28
以下是与深度学习相关的思政要素： 1. 创新精神：深度学习需要不断创新和探索，而创新精神是思政教育中的重要内容之一。 2. 伦理道德：在深度学习的应用中，必须考虑到伦理和道德问题，如隐私保护、公平性等，这也...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值