深度学习系列
Dorothy_Xue
这个作者很懒,什么都没留下…
展开
-
深度学习在图像理解中的应用
本文是视频学习全球人工智能与机器学习技术大会演讲内容所做笔记持续更新中。。。。。1. 图像理解的定义互联网中的图像理解 图像理解的研究内容1)互联网中的图像理解图像是互联网最大的多媒体载体未来大量的探索都将与图片相关,而不是关键字。互联网图像的多样性证件照、自拍、商品照、景点活动照以及特殊照片。图像理解与以前我们接触到的与知识图谱、CTR预估不一...原创 2019-10-22 11:25:57 · 2383 阅读 · 0 评论 -
深度学习在CTR预估的应用
本文是视频学习2017年底Archsummit全球架构师峰会演讲内容所做笔记CTR(Cleick-Throug'xh Rate Prediction)点击率预估目录1. 当深度学习遇到CTR预估2. 传统主流CTR预估方法3. 深度学习基础模型4. 深度学习CTR预估模型5.互联网公司深度学习CTR案例1. 当深度学习遇到CTR预估深度学习:各个领域的成功人...原创 2019-10-20 20:29:08 · 529 阅读 · 0 评论 -
深度学习——PyTorch实战计算机视觉5
激活函数举例:没有激活函数的单层神经网络模型,数学表示:大写字母表示矩阵或张量。有激活函数和偏置项的二层神经网络:(设激活条件为:若输入值大于0,输出该值,反之输出0)上式是偏置为3的函数。偏置可以让模型偏离原点,而没有偏置项的函数必然会经过原点。模型偏离原点的好处是:能使模型具有更强的变换能力,面对不同的数据可以有更好的泛化力。增加偏置项后没有激活的单层神经网络模型的...原创 2019-10-18 20:49:10 · 224 阅读 · 0 评论 -
深度学习——PyTorch实战计算机视觉4
损失和优化在深度神经网络中,损失用来度量预测值与真实值之间的差距,也是衡量模型泛化能力的重要指标。预测值与真实值之间的差距越大,损失值就越高,此时就需要不断对模型中的参数进行优化来减少损失;同样的,预测值和真实值之间的差距越小,则模型预测越准,泛化能力越好。对模型进行优化的最终目的是,尽可能在不过拟合的情况下降低损失值。1. 损失函数1)均方误差函数均方误差(Mean Squa...原创 2019-10-18 17:12:52 · 723 阅读 · 0 评论 -
深度学习——PyTorch实战计算机视觉3
后向传播深度学习中,后向传播主要用于对模型的参数进行微调。经过多次后向传播之后,可以得到模型的最优参数组合。这个过程其实就是一个复合函数求导的过程。举例:定义上图模型的前向传播函数为。假设输入数据,可得前向传播计算结果。若把原函数改写为复合函数的形式,令,就可以得到。接下来是后向传播中涉及到的计算过程。假设在后向传播过程中需要微调的参数有3个,分别是X, Y, Z,这3个参...原创 2019-10-18 15:40:46 · 199 阅读 · 0 评论 -
深度学习——PyTorch实战计算机视觉2
欠拟合和过拟合搭建的模型是否发生过拟合或者欠拟合可作为评价模型拟合程度好坏的指标。欠拟合和过拟合地模型预测新数据地准确性都不理想,最显著的区别就是欠拟合的模型对已有数据地匹配性很差,但是对噪声不敏感;而过拟合的模型对数据的匹配性太好,对噪声很敏感。1. 欠拟合举例:上图为已有的房屋面积与价格的关系数据。上图就是一个欠拟合模型。虽然捕获了数据的一部分特征,但是不能很好地对...原创 2019-10-17 20:21:31 · 179 阅读 · 0 评论 -
深度学习——PyTorch实战计算机视觉1
监督学习和无监督学习监督学习(Supervised Learning)和无监督学习(Unsupervised Learning)是在机器学习中常被提到的两个重要的学习方法,下面举例说明以加深理解:假如有一堆桃子和梨混在一起的一堆水果,我们需要设计一个机器对这堆水果按桃子和梨分类,但这个机器现在还不知道桃子和梨是什么样子的,所以我们需要给这个机器看一堆桃子和梨的照片,让它去学习桃子和梨的样子...原创 2019-10-17 17:56:55 · 234 阅读 · 0 评论