![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 85
Lydia.na
这个作者很懒,什么都没留下…
展开
-
【研0深度学习】李宏毅2024春《生成式人工智能导论》持续更新...
生成式人工智慧的目的不是进行做有结果的分类,而是使机器生成复杂有结构的物件。今天的生成式人工智慧多以深度学习构成。以现如今流通最广泛的ChatGPT为例,GPT可以看作一个函数,输入图片、语音或者文字等,“创造性”地输出结果。这里的“创造性”的实现是将问题拆解成一连串的文字进行接龙,转化为分类问题。对于每个结果都有概率,在这个概率的基础上掷骰子,进行输出。如下图所示有百分之五十的概率输出“学”字。那么问题来了,如果每次输出概率最大的不行吗?原创 2024-05-28 14:29:23 · 948 阅读 · 0 评论 -
【论文】中文论文翻译英文论文
最近在写论文,中文版的写好了就差翻译为英文的。下面介绍一下我翻译的过程。原创 2023-03-26 16:44:22 · 604 阅读 · 4 评论 -
【深度学习】卷积神经网络之语义分割|FCN、DeepLab v1 v2 v3、U-Net、转置卷积、膨胀卷积
本文介绍卷积神经网络应用指语音分割:FCN网络是在VGG16的基础上将最后三层全连接层改为卷积层;DeepLab v1网络提出膨胀卷积、Large FOV、MSc、CRF;DeepLab v2在v1的基础上提出ASPP模块,Multi-scale;DeepLab v3在v2的基础上改进ASPP模块并将backbone改为ResNet,同时在ASPP模块中加入multi-grid、BN、ReLu,最后经过ASPP后再进行卷积、dropout处理;U-Net则是先进行下采样、再进行上采样处理。原创 2022-11-05 17:15:26 · 2805 阅读 · 4 评论 -
【深度学习】卷积神经网络应用之双阶段目标检测|R-CNN、SPP-Net、Fast-RCNN、Faster-RCNN
本文主要介绍了卷积神经网络应用之目标检测。测试阶段,RCNN网络首先通过SS算法得到约2000张特征图,然后经过卷积将conv5特征图进行Maxpooling后分别进行回归和分类操作;SPPnet是将Maxpooling层替换为SPPpooling层进行特征图的提取;Fast RCNN则是使用RoI pooling层,经过特征层后进行多任务损失的计算实现了end to end的网络训练;Faster RCNN是将Fast RCNN和RPN网络进行结合,后者是进一步对SS算法提取特征图进行优化的网络原创 2022-10-28 20:59:07 · 2817 阅读 · 2 评论 -
【深度学习】生成对抗网络GAN|GAN、WGAN、WGAN-UP、CGAN、CycleGAN、DCGAN
生成对抗网络由两个部分组成:生成器(Generator)和判别器(Distriminator)* 生成器:生成一个真实数据类似的数据分布(伪造数据)* 判别器:判断生成器生成的图片是真的还是假的(鉴别数据),类似于一个二分类器在生成对抗模型框架中,有两个模型一个是生成模型G,一个判别模型D。生成器G根据隐含信息来随机生成观测数据,判别器D判别生成器生成的数据是真还是假。当判别器D判断生成器G生成了假数据后给生成器G一个惩罚,这导致生成器G被迫向“不受到”判别器D惩罚的方向进化学习,二者就构成了一个动态原创 2022-10-21 18:55:25 · 2825 阅读 · 2 评论 -
【深度学习】卷积神经网络之图像分类|CNN、AlexNet、VGG、GoogLeNet、ResNet
卷积神经网络分为卷积层、池化层、全连接层、softmax层。卷积层:卷积核与输入层中的一个区域相连,计算内积后加上权重。激活函数层:激活函数层包括在卷积层中,将相连的神经元进行激活,通常使用ReLu激活函数max(0,x)。池化层:又称为下采样层,通常包括max pooling和average pooling,不会改变通道数量。全连接层:将特征图拉直,转化为1×1×4096的向量。原创 2022-10-19 15:02:59 · 6023 阅读 · 4 评论 -
CondaHTTPError: HTTP 500 INTERNAL SERVER ERROR for url <https://conda.anaconda.org/mindspore/osx-arm
Mindspore安装报错解决方案原创 2022-06-21 15:13:14 · 1019 阅读 · 0 评论