深度学习
文章平均质量分 95
对接触到一个新的领域,个人的学习方法是自上往下去逐步深挖,毕竟每个人的时间都比较有限,从应用层,一直挖到算法层,可能已经能让我们很好的去复现一篇论文,那么从算法层挖到优化层,就可以很好的去发表一篇论文
数据与后端架构提升之路
没人会把我们变的越来越好,时间也只是陪衬。支撑我们变的越来越好的是我们自己不断进阶的才华,修养,品行以及不断的反思和修正
展开
-
深度学习模型训练优化:并行化策略与参数拆分技术
本文探讨了深度学习训练中用于提高训练速度和降低硬件要求的两种并行化策略:张量并行和流水线并行。张量并行通过在多个处理单元上分割单个网络层的计算来实现并行,而流水线并行则通过将模型的不同层分配到不同的处理单元来实现模型级的并行处理。文章还介绍了垂直拆分和水平拆分大模型参数的方法,这两种拆分策略分别针对特征维度和数据样本的分布式处理,提供了优化计算资源和提高训练效率的有效途径。原创 2024-04-25 10:28:00 · 200 阅读 · 0 评论 -
深度学习在三维点云处理与三维重建中的应用探索
本文深入探讨了点云数据处理的关键技术,包括数据清洗、降噪、简化、配准等预处理步骤,为后续的SLAM和语义分割任务奠定基础。特别地,文章详细介绍了PointNet和PointNet++这两个先进的深度学习算法,它们能够有效处理无序点云数据并提取特征。此外,还探讨了三维重建中的NeuralRecon系统,它采用多尺度方法和GRU网络来优化三维结构的生成。文章强调了这些技术的优点和面临的挑战,展望了在三维数据处理领域的未来发展。原创 2024-04-12 15:58:45 · 915 阅读 · 1 评论 -
全方位掌握卷积神经网络:理解原理 & 优化实践应用
本文遵循从大的层面一直剖析到小细节的讲解原则原创 2023-12-23 18:43:46 · 1409 阅读 · 1 评论 -
Tensorflow1架构内核和学习方法论
TensorFlow的主要作用是构建和训练复杂的机器学习模型,提供高效的并行计算能力,可视化训练过程,支持多种编程语言以及跨平台计算。这些特点使得TensorFlow成为目前炙手可热的深度学习框架之一原创 2023-09-24 23:32:57 · 430 阅读 · 0 评论 -
深度学习实践指南:打造强大AI应用的关键步骤和技巧
深度学习的发展经历了从简单的神经元模型到复杂的网络结构的演变。早期的麦卡洛克-皮茨模型和感知器奠定了基础,随后多层感知器和深度神经网络的出现解决了线性不可分问题。卷积神经网络(CNN)和递归神经网络(RNN)分别在图像处理和时间序列分析中表现出色。LSTM作为RNN的一种,因其独特的设计,特别适合处理和预测时间序列中的长期事件。TensorFlow等框架利用CNN等算法进行图像标注,通过特征提取、关键点预测和关联,实现单人或多人姿态估计。原创 2024-04-25 16:44:01 · 588 阅读 · 1 评论