自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(9)
  • 资源 (5)
  • 问答 (1)
  • 收藏
  • 关注

原创 深度学习 | 实战9- 参数正则化

Github源码要求参数正则化(一)要求:训练MNIST分类模型,比较不同学习率情况下,loss的收敛情况和实际精度acc的变化情况。比较添加参数正则化方法防止模型过拟合的效果。模型结构要求:使用如下全连接网络:def model(x): w1=tf.Variable(dtype=tf.float32, initial_value=np.random.rand(784,1500)...

2019-07-17 20:26:41 592

原创 深度学习 | 实战8 - 梯度截断

Github源码要求要求:在lenet MNIST分类中,应用梯度截断,使得梯度更新时,让每个变量的梯度分量保持在 min=-0.001, max=0.001的范围内。比较使用如上要求的梯度截断,和不使用梯度截断时,训练过程中,loss的变化情况。网络采用 lenet,batch size=8,iter=1000,每隔10步打印一次 mnist.validation.next_batch...

2019-07-17 19:06:59 1322

原创 深度学习 | 实战7- 连体网络MINIST优化

Github源码要求输入为两个MNIST图片,以及两者是否为相同数字的标签(0为相同数字,1为不同数字),输出为网络给出两者是否为同一数字的预测结果。网络结构可以自己设计。比如两层网络:hidden1:784(28x28)->500; hidden2: 500->10,使用relu。也可以尝试Lenet网络或其他结构。要求:1. 构建平衡测试集:(1)正例(同一数字对)、反例(...

2019-07-17 19:01:36 686

原创 深度学习 | 实战6-利用tensorboard实现卷积可视化

Github源码要求卷积可视化:在Lenet中,分别使用ReLU及sigmoid激活函数,观察不同情况下,Lenet学习MNIST分类时,参数的变化。并在最终训练好Lenet的情况下,观察分类操作前的最后一个全连接层fc2的84位特征向量,比较不同类型样本的fc2特征图。要求:提交代码,文档。文档包括可视化截图。(1)tensorboard可视化包括:loss, acc, w、b参数的...

2019-07-17 18:54:23 1297

原创 深度学习 | 实战5-用slim 定义Lenet网络,并训练测试

Github源码要求Slim Lenet用slim 定义Lenet网络,并训练测试。要求:将Lenet 单独定义到Lenet.py 文件可以定义为一个函数,例如:def lenet(images):用with slim.arg_scope …: 去管理 lenet中所有操作的默认参数, 例如activation_fn, weights_initializer, 等。。。...

2019-07-17 18:44:14 833

原创 深度学习 | 实战4-将LENET封装为class,并进行分类

Github源码要求将LENET封装为class,并用此封装好的lenet对minist进行分类。有关lenet定义请参考卷积网络课件最后2页;class封装的内容,请参考class封装课件1. lenet 结构如附件描述。注意:(1)lenet 输入为32x32,而minist为28x28,故需要先对数据进行填充,例如:import numpy as np#Pad images ...

2019-07-17 18:35:23 602

原创 深度学习 | 实战3-设计变量共享网络进行MNIST分类

Github源码要求设计变量共享网络进行MNIST分类:网络结构如图所示:其将图片样本分为上下两半X1,X2;分别送入input1,input2。后续的两个路径的线性加权模块 X_W=X*W 共享一个变量 name=‘w’整个分类模型可描述为 softmax( X_W(X1)+X_W(X2)+b)模型及流程可以参考我们课件part1上最后的那个一层全连接分MNIST的代码例子要求:...

2019-07-17 16:57:00 827

原创 深度学习 | 实战2-TensorFlow基础

GitHub源码要求假设有函数y = cos(ax + b), 其中a为学号前两位,b为学号最后两位。首先从此函数中以相同步长(点与点之间在x轴上距离相同),在0<(ax+b)<2pi范围内,采样出2000个点,然后利用采样的2000个点作为特征点进行三次函数拟合(三次函数形式为 y = w1 * x + w2 * x^2 + w3 * x^3 + b, 其中wi为可训练的权值,b...

2019-07-17 16:49:20 638

原创 深度学习| 实战1-python基本操作

GitHub源码要求设计python程序,首先安装并导入opencv库:例如:conda install opencvimport cv2然后使用cv2.imread()读取任意彩色图片为numpy矩阵,然后进行以下操作:(1) 将图片的三个通道顺序进行改变,由RGB变为BRG,并用imshow()或者matplotlib中的有关函数显示图片(2) 利用Numpy给改变通道顺序的图片...

2019-07-17 16:28:36 444

MPI and neural Rendering

MPI and neural Rendering

2022-09-05

神经隐式SLAM方法presentation

神经隐式SLAM方法presentation

2022-09-05

HDR-NeRF-presentation

HDR-NeRF-presentation

2022-09-05

《百面深度学习》之元学习.pdf

百面深度学习 之 元学习知识笔记

2021-06-22

Simple_Rules_AI.pdf

Can artificial intelligence, in particular, machine learning algorithms, replace the idea of simple rules, such as first possession and voluntary exchange in free markets, as a foundation for public policy? This paper argues that the preponderance of the evidence sides with the interpretation that while artificial intelligence will help public policy along important aspects, simple rules will remain the fundamental guideline for the design of institutions and legal environments where markets operate. “Digital socialism” might be a hipster thing to talk about in Williamsburg or Shoreditch, but it is as much of a chimera as “analog socialism.”

2020-05-27

Hands-onPythonTutorial.pdf

You have probably used computers to do all sorts of useful and interesting things. In each application, the computer responds in different ways to your input, from the keyboard, mouse or a file. Still the underlying operations are determined by the design of the program you are given. In this set of tutorials you will learn to write your own computer programs, so you can give the computer instructions to react in the way you want.

2020-05-27

工程领域大数据和人工智能原则.pdf

工程领域大数据和人工智能原则。近年来,大数据和人工智能技术快速发展,其应用广泛落地,已经为 我们的生产和生活带来显著的贡献,在辅助个人能力提升,改善人民生活 品质,促进经济和社会发展,应对全球重大挑战(如:气候变化,粮食短 缺等)及促进落实联合国可持续发展目标等方面带来巨大机遇。特别是在 工程领域,作为第四次工业革命的主要驱动力之一,大数据和人工智能正 在推动研发、规划、设计、制造、测试、操作和维护等方面的革新,并可 提高生产力及工程项目的质量、安全和效率,同时减少碳排放,降低物耗、 能耗和成本。此外,它们还有助于打击腐败、维护工程操守。

2020-05-27

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除