深度学习科普链接

已于 2023-04-12 20:56:19 修改
阅读量127 收藏
点赞数
分类专栏： 深度学习小科普 文章标签： 深度学习
于 2022-11-19 15:59:58 首次发布
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/Zwr198/article/details/127937928
版权

NCE loss：知乎
InfoNCE loss: 知乎、B站
Glancing language model (GLM)：知乎
Mixture-of-Experts (MoE)：知乎
Sparsely-Gated Mixture-of-Experts：知乎
知识蒸馏（knowledge distillation）：知乎
N-gram：知乎、CSDN
自监督学习：CSDN
CPC：CSDN
语境偏移——上下文语音识别：一、二、三
Attention机制：CSDN
marginalizing 边缘化：CSDN
BPE编码：知乎
模型中加入外部语言模型：知乎
ContextNet：知乎
中间CTC损失：CSDN
随机深度：CSDN

反卷斗士小郑
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
医学健康领域的短文本理解.pdf
03-19
通过丁香医生、丁香妈妈、丁香诊所和丁香家等多个平台，提供医学科普、母婴知识、医疗服务和健康商品解决方案。这些服务都依赖于对搜索场景的支持，包括医生的讨论、专业疾病指南、药物资讯、科普文章以及大众的健康...
AI·未来-李开复.zip
05-21
AI的核心包括机器学习和深度学习，其中机器学习让计算机通过数据自我改进，而深度学习则借鉴了人脑神经网络的结构，通过大量数据训练出复杂的模型，实现图像识别、语音识别等功能。 李开复在书中详述了AI的发展历程...
人教小学语文四年级上册PPT课件.pptx
10-11
同时，利用《主题学习丛书》和《昆虫记》等课外资源，扩展学生的阅读范围，促进深度学习。 教学思路中，教师引导学生关注重点语句，以达成体悟情感、领悟表达方法和积累运用语言的目标。预习达标课则设计了认字词、...
教育信息化实施方案.pdf
10-29
网络学习空间“人人通”的建设是关键，旨在将24字课堂教学模式与教育信息化深度融合，使全体教师都能教授融合了信息技术的达标课，且逐年提高精品课的比例。学校网站也将定期更新，成为对外宣传的主要渠道。 实施...
内蒙古巴彦淖尔市乌中旗二中七年级语文上册《第19课 月亮上的足迹》导学案（无答案） 新人教版
08-19
- 夹叙夹议：写作手法，叙述过程中穿插评论，增强文章的说服力和深度。 4. **课时训练**： - 拼音辨析：考察学生对汉字拼音的掌握，如“厄运”的正确读音是“è yùn”，“发酵”的正确读音是“fā jiào”。 - ...
RNN与CNN：昔日辉煌与今日应用的深度透视
AI心易行者
07-17 248
更棒的是，其活跃的社区和详尽的手册，确保了你在技术海洋中的航行既高效又愉快。2017年，Transformers以自注意力机制打破了RNN的垄断，其并行计算的特性极大地提升了处理序列数据的效率，Google神经机器翻译系统（GNMT）的成功应用，便是最好的证明。紧随其后的BERT（2018年），凭借双向编码器的创新，以及强大的预训练与微调策略，使得机器对文本的理解上升到了新的高度。LeNet-5的诞生，标志着手写数字识别的新纪元，而这一技术的广泛应用，更是推动了图像分类、物体检测等领域的巨大进步。
推荐系统：从协同过滤到深度学习
专注于Python编程技术的分享与交流，致力于帮助开发者提升编程技能，解决实际问题，探索Python的无限可能。
07-15 514
从协同过滤到深度学习，推荐系统的技术不断演进和发展。协同过滤作为推荐系统的基础算法之一，在处理用户行为数据方面具有独特的优势；而深度学习则通过自动学习用户和物品的隐含特征以及处理大规模数据的能力，为推荐系统带来了更高的准确性和效率。未来，随着技术的不断进步和应用场景的不断拓展，推荐系统将在更多领域发挥重要作用，为用户提供更加个性化和精准的推荐服务。
深度学习程序环境配置
Young_Zn_Cu
07-17 468
因为之前轻薄本没有显卡跑不起来，所以换了台电脑重新跑程序，故记录一下配置环境的步骤及常见错误。
深度学习快速通道：Keras核心特性与实战演练
AI心易行者
07-14 900
Keras以其简洁性、灵活性征服了众多深度学习爱好者，而结合如PlugLink这样的高效工具，则能进一步放大生产力，让从原型设计到生产部署的每一步都更加流畅。无论你是着手解决图像分类、文本生成还是其他复杂的机器学习问题，Keras加PlugLink的组合都是值得探索的强大武器。现在，不妨打开你的编辑器，开始构建下一个智能应用吧！通过上述指南，希望你对Keras有了更深层次的认识，并对如何借助PlugLink优化工作流程有了初步的概念。在深度学习的征途中，持续学习与实践，才是通往成功的不二法门。
负荷预测 | Matlab基于Transformer-LSTM多变量时间序列多步预测
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。
07-14 583
负荷预测 | Matlab基于Transformer-LSTM多变量时间序列多步预测
【深度学习】InternVL2-8B，图转文，docker部署
q742971636的博客
07-17 118
执行这个代码可以开启一个fastapi接口，7860端口会被docker映射到7895.InternVL2-26B应该更好，但显存没那么大，只能跑InternVL2-8B了。
【深度学习】OCR中的Shrink反向扩展
q742971636的博客
07-17 140
【代码】【深度学习】OCR中的Shrink反向扩展。
Python数据分析案例52——基于SSA-LSTM的风速预测(麻雀优化)
weixin_46277779的博客
07-13 1007
基于SSA-LSTM，麻雀优化算法的LSTM神经网络的时间序列预测的通用代码。
基于深度学习的金融交易
最新发布
weixin_42605076的博客
07-17 850
基于深度学习的金融交易技术利用深度学习模型来预测市场走势、制定交易策略以及优化投资组合。
深度学习LSTM之预测光伏发电
Network_Engineer的博客
07-12 1398
通过以上两个代码示例，我们了解了如何使用LSTM模型进行时间序列数据的预测，并深入探讨了LSTM模型的工作原理和激活函数的作用。使用Adam优化器和均方误差（MSE）损失函数编译模型，并训练模型20个周期（epochs），每批次处理128个样本。表示返回每个时间步的输出，这对于堆叠的LSTM层是必要的。读取2020年的输入和输出数据，并进行相同的预处理，将数据转换为时间序列结构。将数据转换为时间序列结构，即使用前10个时间步的数据预测下一个时间步的输出。导入必要的库，并加载之前训练好的LSTM模型。
深度学习-4-PyTorch中的数据加载器Dataset和DataLoader
qq_20466211的博客
07-14 331
PyTorch中的数据加载器的制作，针对大量数据进行分批加载训练模型
CV09_深度学习模块之间的缝合教学(4)--调参
https://github.com/foxpup11?tab=repositories
07-14 444
https://www.bilibili.com/video/BV1cr421V7iS/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
理解深度学习中的过拟合和Dropout
brucexia的专栏
07-12 345
随着迭代次数的增加，我们可以发现测试数据的loss值和训练数据的loss值存在着巨大的差距， 如图4-8所示，随着迭代次数的增加，training loss越来越好，但test loss却越来越差，test loss 和 training loss的差距越来越大，模型开始过拟合。做个类比，无性繁殖可以保留大段的优秀基因，而有性繁殖则将基因随机拆了又拆，破坏了大段基因的联合适应性，但是自然选择中选择了有性繁殖，“物竞天择，适者生存”，可见有性繁殖的强大。
深度学习落地实战：人脸五官定位检测
weixin_51988935的博客
07-17 290
人脸五官定位项目具有多方面的重要意义。首先，它为人脸识别技术提供了关键的基础数据。通过精准定位眼睛、鼻子、嘴巴等面部特征点的位置，可以显著提高人脸识别的准确性和效率，为身份验证、个人信息核对等应用场景提供可靠的技术支持。 其次，人脸五官定位技术有助于姿态表情分析。面部特征点的位置信息能够反映人脸的姿态和表情变化，为后续的姿态估计、表情识别等任务提供重要依据，进而在人机交互、虚拟现实等领域发挥重要作用。
深度学习驱动的遥感图像处理：电子纸技术与卷积神经网络的应用
"该文档主要探讨了深度...这篇文档不仅提供了对电子纸技术的科普，还深入探讨了深度学习在遥感图像处理中的具体应用，对于电子信息专业和计算机科学（CS）领域的学生或研究人员来说，是一份有价值的毕业设计参考资料。

“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