2017年10月_yangdelong

11月 10月 09月 08月 05月 02月 01月

转载 Hinton介绍胶囊理论的论文

文章来源：https://mp.weixin.qq.com/s/00UAn7m_yeYld-s60NFA8A 雷锋字幕组 AI科技评论AI 科技评论按：昨天深度学习教父Geoffrey Hinton关于Capsule（胶囊）的新论文一发出，马上引起了热烈讨论。AI 科技评论微信公众号发出的解读文章下也收到了踊跃的留言，有读者表示“自己也有这样的想法”（笑）。今天

2017-10-29 21:41:21 4979

转载分形神经网络

来自新智元的一个博文。http://www.toutiao.com/i6290496834213249537/【题目】分形网络：无残差的极深神经网络（FractalNet: Ultra-Deep Neural Networks without Residuals）【作者】芝加哥大学 Gustav Larsson，丰田工大学芝加哥分校 Michael Maire

2017-10-28 17:29:32 2640

转载 Deepdream 实现

文章来源： http://blog.csdn.net/Yan_Joy/article/details/54343806环境准备deepdream还是基于python和caffe深度网络的，因此大概需要以下环境：Standard Python scientific stack: NumPy, SciPy, PIL, IPython. Those lib

2017-10-28 12:59:39 1190

转载从GoogLeNet架构到deep dream模型

文章来源： http://blog.csdn.net/diligent_321/article/details/53292484虽然深度神经网络在计算机视觉方面的效果非常显著，但至今还没有非常严格的理论支撑。最开始学习CNN的时候，采用的都是手写体识别的例子，对其最直观的解释即随着层数增加，所学到的特征越来越抽象（大致按照“点－> 线－>角－>整体轮廓”的顺序）。同样地，谷歌技

2017-10-28 12:55:32 464

转载 Hinton大神Capsule论文首次公布，深度学习基石CNN或被取代

文章来源：新智元https://mp.weixin.qq.com/s/5Af_K_BGrD5RomgpWxJNBQ【新智元导读】Hinton要打造下一代CNN的Capsule细节终于通过一篇论文发布。本文带来详细介绍。此前，Hinton曾讨论了用“capsule”作为下一代CNN的理由。他解释了“标准”的卷积神经网络有什么问题？结构的层次太少，只有神经元、神经网络层、整个神经

2017-10-28 11:29:50 1788

转载深度强化学习 ( DQN ) 初探

文章来源： https://www.qcloud.com/community/article/549802?fromSource=gwzcw.114127.114127.1141271. Google的DQN论文2015年2月，Google在Nature上发表了一篇论文(见附件)：Human-level control through deep reinforc

2017-10-25 00:32:07 2289

转载 Deep Reinforcement Learning 基础知识

文章来源： http://blog.csdn.net/songrotek/article/details/50580904Introduction深度增强学习Deep Reinforcement Learning是将深度学习与增强学习结合起来从而实现从Perception感知到Action动作的端对端学习的一种全新的算法。简单的说，就是和人类一样，输入感知信息比如视觉，然后

2017-10-25 00:30:35 462

转载 RNN与LSTM介绍

文章来源： http://blog.csdn.net/Dark_Scope/article/details/47056361前言好久没用正儿八经地写博客了，csdn居然也有了markdown的编辑器了，最近花了不少时间看RNN以及LSTM的论文，在组内『夜校』分享过了，再在这里总结一下发出来吧，按照我讲解的思路，理解RNN以及LSTM的算法流程并推导一遍应该是没有问

2017-10-21 23:54:27 664

转载基于RNN的Attend机制

文章来源： http://blog.csdn.net/shenxiaolu1984/article/details/51493673Xu, Kelvin, et al. “Show, attend and tell: Neural image caption generation with visual attention.” arXiv preprint arXiv:15

2017-10-21 18:55:11 565