- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习课程总结（4）
GAN是由两部分组成的：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成看起来真实的数据。判别器的目标是区分真实数据和生成器产生的数据。生成对抗网络是一个强大的工具，它通过生成器和判别器的对抗学习过程，能够生成高质量的、逼真的合成数据。这使得GAN在艺术创作、新药开发、游戏环境设计等多个领域都有着广泛的应用前景。Transformer模型主要用于处理序列到序列的任务，如语言翻译。
2024-04-27 10:08:21
1276
原创 神经网络与深度学习课程总结（3）
目标检测是计算机视觉中的一个核心任务，它涉及到在图像中识别和定位一个或多个目标。与图像分类不同，目标检测不仅需要判断图像中有哪些对象，还需要确定它们的位置和大小。语义分割是计算机视觉中的一项重要任务，它旨在将图像分割成几个具有特定语义的区域。不同于目标检测，语义分割不仅识别图像中的对象，还精确地标出每个对象的边界至像素级别。风格迁移是一种利用神经网络将一幅图像的风格应用到另一幅图像的技术，同时保留后者的内容。这一技术使得创造艺术性的图像变得自动化和高效。
2024-04-21 15:46:22
1336
1
原创 神经网络与深度学习课程总结（2）
TensorFlow(Google): 支持 Python/C++/Java/Go，适用于 Linux/Mac OS/Android/iOS。Caffe(UC Berkeley): 支持 Python/C++/Matlab，适用于 Linux/Mac OS/Windows。JAX(Google): 支持 Python，适用于 Linux/Windows。MXNet。
2024-04-06 22:58:56
1535
2
原创 神经网络与深度学习课程总结（1）
线性回归是一种确定两种或两种以上变量间相互依赖的定量关系的统计分析方法。通过数理统计中的回归分析，对于给定的一组数据，我们可以构建一个模型来预测或估计一个变量的值。线性分类器：通过特征的线性组合进行分类。分类决定：样本可以通过一个直线（或超平面）被分开。本章通过介绍线性回归和感知机模型，展示了机器学习中处理回归和分类问题的基本方法。线性回归模型关注于预测连续值，而感知机模型则是处理二分类问题的基础。参数优化：线性回归和线性分类问题本质上都是通过参数优化来最小化误差或损失。神经元模型。
2024-03-31 19:12:54
739
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人