深度学习

最新推荐文章于 2024-11-13 11:24:58 发布
最新推荐文章于 2024-11-13 11:24:58 发布
阅读量104 收藏
点赞数
分类专栏： 深度学习和识别专栏 文章标签： 深度学习
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/GeiGe123/article/details/113996899
版权
思而后行之
关注
专栏目录
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 6万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
遗传算法与深度学习实战（1）——进化深度学习
盼小辉丶的博客
07-25 1万+
进化深度学习 (Evolutionary Deep Learning, EDL) 是一套可以用于自动化深度学习系统开发的工具和实践，EDL 包括了广泛的进化计算方法和模式，可以应用于深度学习系统流程的各个方面。本节中，介绍了深度学习面临的挑战，以及进化深度学习在应对这些挑战方面的技术方法。
简述深度学习
JasonH2021的博客
07-07 3686
介绍了深度学习的基本概念，常见的算法，应用场景，优势劣势，建模步骤，代码案例和前沿的研究课题等
新手小白如何租用GPU云服务器跑深度学习
h_u_m_a_n的博客
11-09 4万+
如何租用gpu跑深度学习
深度学习deep learning
qq_46458188的博客
11-28 1万+
一、简介 深度学习是包含多个隐层的机器学习模型，核心是基于训练的方式，从海量数据中挖掘有用信息，实现分类与预测。 早期的深度学习模型：编码器、循环神经网络、深度置信网络、卷积神经网络 衍生模型：堆叠降噪自编码器、稀疏自编码器、降噪自编码器 深度学习的常用模型：卷积神经网络（CNN），深度信念网络（DBN），深度自动编码器（DAE），限制玻尔兹曼机（RBM）。CNN有全监督学习和权值共享的特点，在自然语言处理和语音图像识别领域有很强优势。其他深度学习模型大多先采用无监督方式逐层预训练，再使用有...
深度学习通俗简述
weixin_63053052的博客
03-30 5101
特征表示学习 简述： 特征表示学习是一套给机器灌入原始数据，然后能自动发现需要进行检测和分类的表达的方法 。 传统机器学习算法： 传统的机器学习算法，需要人为设计特征。比如要用线性回归预测一所房子的价格，我们会人为划分出面积、地段等要素，这些要素就是我们人为划分出来的特征。 但是，人为划分出来的特征往往是是不足够的，而且很多时候并不准确。比如我们划分除了面积和地段，却遗漏了房屋年限这一也很重要的要素，即使我们经过精确的统计和计算划分出了上百个特征，也依然存在遗漏或不准确的可能。 深度学习算法：
深度学习面试题
weixin_42010722的博客
08-13 1万+
深度学习面试题1.深度学习常用算法，及相应应用场景有哪些2.什么数据集不合适做深度学习3.如何确定CNN卷积核通道数和卷积输出层的通道数4.什么是卷积5.什么是CNN的池化层（pool）6.CNN常用的几个模型7.CNN的特点以及优势8.卷积神经网络CNN中池化层作用9.常见的激活函数，激活函数有什么作用10.简述一下sigmoid函数11.CNN关键层有哪些12.什么是梯度爆炸13.梯度爆炸会引发什么问题14.如何确定是否出现梯度爆炸15.如何修复梯度爆炸问题重新设计网络模型使用 ReLU 激活函数使用长
《深度学习100例》目录
“365天深度学习训练营”报名进行中～
08-14 1万+
大家好，我是 K同学啊！ 《深度学习100例》系列在昨天已经完成了第20博客！ 这是一个漫长的过程，中途遇见也结识了不少优秀的伙伴，这里简单介绍一下这90天做的事情 1. 深度学习100例-卷积神经网络（CNN）实现MNIST手写数字识别 | 第1天 这篇文章作为《深度学习100例》的首篇文章，我使用了最简单也最经典的案例 – MNIST手写数字识别。极简化了神经网络程序，当然，如何你是一个从来没了接触过深度学习的小白，那我建议你可以先看这个专栏：《小白入门深度学习》 使用的是MNIST数据集，MNIST
深度学习介绍
Aaron的博客
07-17 2470
深度学习(DL,DeepLearning)是(ML,MachineLearning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——深度学习是学习的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，和等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在，以及其他相关领域都取得了很多成果。......
深度学习简单画图
qq_43235540的博客
04-07 2351
pytorch画图
arcgis pro深度学习库
03-09
arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库arcgis pro深度学习库...
Matlab深度学习工具箱
04-26
**Matlab深度学习工具箱详解** Matlab深度学习工具箱是MathWorks公司为科研人员、工程师和学生提供的一款强大而全面的平台，用于构建、训练和应用深度学习模型。这款工具箱结合了Matlab易用的编程环境和深度学习...
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 27万+
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.........
深度学习-神经网络基础-网络搭建-损失函数-网络优化-正则化方法
m0_60916732的博客
11-10 1119
init方法中定义网络中的层结构，主要是全连接层，并进行初始化,定义层forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中可以定义学习率，为初始化定义的layer传入数据等。将各层连接定义继承自nn.Module的模型类在init方法中定义网络中的层结构在forward方法中定义数据传输方式前向传播：指的是数据输入的神经网络中，逐层向前传输，一直到运算到输出层为止。反向传播（利用损失函数 ERROR，从后往前，结合梯度下降算法，依次求各个参数的偏导，并进行参数更新。
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
11-10 458
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测
卷积神经网络CNN
m0_53374676的博客
11-13 305
卷积层通过应用一组可学习的滤波器（或称核）到输入图像的不同位置，产生一个特征映射（Feature Map）。CNN是一种前馈神经网络，它的人工神经元可以对输入的图像数据进行响应，并且可以检测图像中的局部特征，如边缘、纹理等。
深度学习的核心思想
qq_38423732的博客
11-12 231
刚开始随便给一个东西然后利用这个东西求一个我们想要的结果，用这个结果和真实的结果求损失，在反向求导更新我们随便给的东西，不断的多次下来，这个随便给的东西，就会逼近我们想要的东西。简单说就是：深度学习就是刚开始随便给一个东西，然后通过，不断的损失求导最后能得到我们想要的结果。
深度学习——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
11-09 1338
面试资料收集者之深度学习——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
循环神经网络（RNN）全面解析
最新发布
hello.reader
11-13 984
循环神经网络（Recurrent Neural Network, RNN）是一类用于处理序列数据的神经网络模型。RNN的关键特性在于其递归结构，可以在时间序列中记住之前的数据，从而适用于时间序列预测、自然语言处理（NLP）、语音识别等场景。RNN通过在序列中的每个时间步（Timestep）上共享参数，实现了序列数据的高效处理。RNN之所以适合处理序列数据，是因为它具有 “记忆” 功能，能够将前一步的输出作为输入传递给下一步。
探索莎士比亚诗歌深度学习应用
深度学习模型，如循环神经网络（RNN）、长短期记忆网络（LSTM）和最近大火的Transformer模型（及其衍生模型如GPT和BERT），都在处理序列数据，尤其是自然语言文本数据方面表现出色。这些模型能够从大量文本数据中...
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