深度学习
文章平均质量分 61
Nicholas_Liu2017
这个作者很懒,什么都没留下…
展开
-
深度学习 caffe windows cpu matlab安装
折腾了很久,在研究了传统机器学习理论与应用后,着手进入到深度学习领域。虽然说,深度学习还是来源于人工智能的一个学派:连接学派,而且很高大尚的是,名字起的好,居然叫深度学习,和一般的学习不一样。但是这个名字也确实接地气,的确进行了深度的学习,对客观的事物进行了深度的表征,这样就使得传统的模型也可以发挥更好的价值。关于深度学习的部分,还有很多想说的,但是工欲善其事,必先利其器,今天首先来说,如何搭建深原创 2017-04-30 18:34:39 · 1975 阅读 · 0 评论 -
python tensorflow keras
近期仍然在使用keras进行模型的设计和算法的实验,在使用过程中,发现Conv1D可以处理可变长度的序列输入,在使用Conv1D的过程中,和使用其他卷积层稍有不同,这里不仅在1维空间中用kernel来进行平面卷积,而且使用的一个概念很好,那就是基于序列的处理方法,也就是有一批要学习的数据,这一批中的数据,每一个样本都是一个序列,也就是(sequence_size,fea_size),同时,kera原创 2017-07-04 17:39:50 · 1390 阅读 · 0 评论 -
深度学习 发展 优缺点 面试
去参加腾讯笔试,问道对深度学习的理解时,用了半个小时写下了这写答案,分析了深度学习的起源,发展,以及优缺点,为什么会有些有问题的存在,有些地方还不完善,还需要补充。神经网络在发展过程中,经历了3次起伏,这很重要的原因在于神经网络的优缺点在不同时代得以体现。在理论上讲,只包含单层隐藏层神经网络,可以拟合任何函数,然后这在实际情况中是不常用的。往往采用含多层隐藏层的神经网络来对数据进行拟合原创 2017-05-06 11:34:36 · 8187 阅读 · 0 评论 -
揭秘 DeepMind 的关系推理网络
原文:DeepMind’s Relational Reasoning Networks — Demystified 作者:Harshvardhan Gupta 翻译:汤益榕 审校/责编:屠敏,关注物联网、移动开发领域,寻求报道或投稿请发邮件tumin@csdn.net。每当 DeepMind 发表一篇新文章时,媒体都会有狂热的报道,而你常常会在这些报道中读到一些充满误导转载 2017-07-09 13:17:40 · 650 阅读 · 0 评论 -
图像识别与检测技术的创新
一是上下文特征与物体特征的融合技术(Fusion Of Context Feature and Object Feature)。优图团队从实际生活场景出发,意识到物体的“上下文环境“对最终的物体识别具有一定的辅助价值。因为物体通常不会独立的存在,与周遭的环境存在着一定的依存关系,比如,杯子一般都会放在桌子上,沙发一般出现在房间里,而轮船很难出现在街道上。据此优图团队提出了创新方案:分别建立了两套特转载 2017-07-10 14:41:41 · 3861 阅读 · 0 评论 -
深度学习网络训练,调参技巧
更加强烈的数据提升更加强烈的dropout使用L1和L2正则项(也称为权重衰减)fine-tune更多的卷积块(配合更大的正则)原创 2017-07-31 10:54:35 · 422 阅读 · 0 评论 -
如何用人工智能分辨出一个苹果?
你可能听说过人工智能,但你知道它是怎么运转的吗?GumGum的首席执行官Ophir Tanz早前在TechCrunch上发表了一篇文章对人工智能的基层技术——神经网络进行了介绍,文章中并没有什么高深的数学函数等等,而是通过一个神经网络“识别”苹果的例子来对其工作方式进行了生动的呈现。通过这篇文章,你或许能对人工智能有更加深刻的理解。 如果你去阅读任何有关于人工智能的文章,你肯定会碰到“神转载 2017-07-24 11:45:41 · 1006 阅读 · 0 评论 -
NLP sentimentic analysis
Github代码: [Keras样例解析](https://github.com/gaussic/keras-examples)欢迎光临我的博客:[https://gaussic.github.io/2017/03/03/imdb-sentiment-classification/](https://gaussic.github.io/2017/03/03/imdb-sentiment-cla转载 2017-07-24 11:59:05 · 620 阅读 · 0 评论 -
LSTM梳理,理解,和keras实现
LSTM梳理,理解,和keras实现 注:本文主要是在http://colah.github.io/posts/2015-08-Understanding-LSTMs/ 这篇文章的基础上理解写成,姑且也可以称作 The understanding of understanding LSTM network. 感谢此篇作者的无私分享和通俗精确的讲解。 一. RNN转载 2017-07-24 13:00:46 · 2961 阅读 · 0 评论 -
图片质量评估算法
最近在研究如何评估图片的质量问题,可以想到的从两个角度来看:首先用基本的图像处理手段,是可以计算出一张图片像素的均值,以及这张图片像素间的方差,通过这两个指标可以评价这张图片的亮度,和局部对比度。其次,可以采用模型来进行训练,一方面,要想清楚,是什么因素决定图片质量下降:1、可能图片经过了高强度的压缩(那么压缩就涉及到多种压缩方式,要明确都有哪些图片压缩手段,以及如何对这些图片进行原创 2017-08-25 11:39:28 · 10422 阅读 · 1 评论 -
解读Batch Normalization
本文转载自:http://blog.csdn.net/shuzfan/article/details/50723877本次所讲的内容为Batch Normalization,简称BN,来源于《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》,是一篇很好的转载 2017-09-13 17:06:25 · 324 阅读 · 0 评论 -
25张图让你读懂神经网络架构
由于新的神经网络架构无时无刻不在涌现,想要记录所有的神经网络是很困难的事情。要把所有这些缩略语指代的网络(DCIGN,IiLSTM,DCGAN等)都弄清,一开始估计还无从下手。下表包含了大部分常用的模型(大部分是神经网络还有一些其他的模型)。虽然这些架构都是新奇独特的,但当我开始把它们的结果画下来的时候,每种架构的底层关系就会清晰。显然这些节点图并不能显示各个模型的内部工作转载 2017-06-24 20:18:06 · 23464 阅读 · 0 评论 -
深度学习python库安装经验,Windows下安装Anaconda3 pycharm tensorflow keras theano中遇到的问题
一般在windows上安装python,可以有2种方式(我目前只使用这两种),一种是安装原生态的python2, python3。但是这样存在一个问题,有很多库没有安装,在安装其他的第三方库时,还需要不断的添加其他的库,有很多依赖,有许多不方便(当然,如果你对各种库的依赖很熟悉,那可以安装精简版的mini Conda)。另外一种方式是安装完整版的AnaConda,这是一个很全的库,这个库里几乎拥有原创 2017-06-12 11:02:06 · 3323 阅读 · 0 评论 -
浅谈Alpha Go所涉及的深度学习技术
作者注:关于Alfa Go的评论文章很多,但真正能够与开发团队交流的却不多,感谢Alfa Go开发团队DeepMind的朋友对我这篇文章内容的关注与探讨,指出我在之前那一版文章中用字上的不够精确,所以在此又作调整。我之前文章提到的「全局」指的是跨时间点的整场赛局,很容易被误认为是某个特定时点整个棋盘的棋局,所以后面全部都修改为「整体棋局」。此外,关于整体棋局评估,除了透过脱机数据学习的评价网络之外转载 2017-07-03 20:13:31 · 5890 阅读 · 0 评论 -
caffe windows cpu matlab python安装
今天有一次完整使用VS来编译windows caffe,有一个网站,已经编译好了windows版本的caffe,同时还提供了第三方的链接库。https://github.com/happynear/caffe-windows ,这个网站里面,只需要按照里面要求的,如果不使用GPU,一定要把项目配置文件里的两项改为false:If you don't have CUDA installe原创 2017-05-04 16:00:27 · 566 阅读 · 0 评论 -
深度学习 计算机视觉 物体检测 rcnn,fast rcnn,faster rcnn
知乎上一篇关于物体检测的讨论,写的很好,可以参考https://www.zhihu.com/question/35887527后面的部分,有时间在仔细描述原创 2017-05-13 21:37:38 · 318 阅读 · 0 评论 -
深度学习 deep learning 深度学习框架 caffe 深入学习过程(开篇)
开辟一个新的部分,打算在这个部分里记录学习整个深度学习框架的过程,从开始学习,到不断地深入研究,分析源码,以及自由的使用。然后将这里学习到的关于深度神经网络的内容,迁移到tensorflow,这几个框架进行对比,不断的深入理解。首先工欲善其事,必先利其器,先在windows下安装好cpu 版的caffe(我在我的博客里已经写的很详细了),然后安装好matlab,因为caffe提供了matlab原创 2017-05-10 15:04:58 · 830 阅读 · 0 评论 -
深度学习 deep learning 深度学习框架 caffe 深入学习过程(一)
学习深度学习,首先是理论知识,这方面当然是必须的,但这是一个长期的知识积累的过程,不可能一蹴而就,看本书就可以解决的问题。首先要明确自己学习深度学习的目的是什么,深度学习自从06,07年得到关注,一直到12年才真正进入到大公司的聚光灯下,各大资本涌入到人工智能这个领域,一直持续到现在,已经将近10年的时间,在这期间,研究出了许多改善人们生活的成果,但是不能因为现在大家都说,你就说自己喜欢,不能单纯原创 2017-05-14 20:02:11 · 835 阅读 · 0 评论 -
世界级机器学习专家都有谁?有关 AI 你不能不知道的6个人物
【新智元导读】本文介绍了当前最重要的6位机器学习专家,他们在机器学习方面的突破得到公认。这个榜单虽然只代表作者作为一名科技畅销书作者的认识,但应该也代表了AI 领域最广泛的认识。 由于机器学习的进步,似乎每天我们都能听到 AI 领域的新进展,从改善医疗到在扑克游戏中赢过我们。但人们往往容易忘记的是,每一个成功的机器人背后都有一个聪明的人类。 我们今天看到的 AI 领域的快速发展转载 2017-05-17 16:56:21 · 722 阅读 · 0 评论 -
谷歌最新开源Tensor2Tensor
最新谷歌开源了另一个功能强大的深度学习开源框架,这个开源的框架与Tensorflow结合起来可以完成更加丰富的功能。T2T is a modular and extensible library and binaries for supervised learning with TensorFlow and with support for sequence tasks. It i原创 2017-06-29 10:47:04 · 1366 阅读 · 0 评论 -
机器学习大规模学习平台架构
对于已有的开源的机器学习框架,很多都是单机环境下部署的,但是对于大公司层面的机器学习的应用需求,简单的单机,分布式spark机器学习平台很难满足公司的大数据应用需求,因为不仅要求具有正确性,还要求高效性和稳定性。这里面存在很多的问题,比如模型如何在多台机器上跑,参数如何分布在多台服务器上,构成parameter server (google提出的),同样的,这些参数如何时时的更新,学习,并且如原创 2017-06-29 16:22:59 · 3994 阅读 · 0 评论 -
What’s a Good Clickthrough Rate? New Benchmark Data for Google AdWords
https://blog.hubspot.com/agency/google-adwords-benchmark-dataAs marketers, we're always thinking about the most optimal way to target our potential customers. Trouble is, mastering Google Ad转载 2017-06-20 21:38:05 · 485 阅读 · 0 评论 -
Google advances AI with ‘one model to learn them all
Google quietly released an academic paper that could provide a blueprint for the future of machine learning. Called “One Model to Learn Them All,” it lays out a template for how to create a single m转载 2017-06-21 19:13:29 · 332 阅读 · 0 评论 -
PASCAL VOC2012目标检测权威评测夺冠之道
原文地址:http://www.cnblogs.com/wangxiaocvpr/p/5894054.html有些图看不太清楚,但是大概了解一下实验设计思路。近年来,随着深度学习的崛起,计算机视觉得到飞速发展。目标检测作为计算机视觉的基础算法,也搭上了深度学习的快车。基于Proposal的检测框架,从R-CNN到Faster R-CNN,算法性能越来越高,速度越来越快。转载 2017-07-11 17:48:57 · 3418 阅读 · 0 评论 -
深度学习 发展 优缺点 面试二
进过了几个月,对神经网络的优缺点又做了一些总结:神经网络的发展经历了3次大的转折。由于早期的计算资源的限制,以及数据量不足,导致前2个时期提出的神经网络,大多规模很小,而且在一定程度上还不如传统的统计机器学习方法,而且神经网络的结构相对简单,因此并没有体现出神经网络的潜在价值。在07年,hitton提出了利用自编码器来stack by stack的学习图像的表征,然后堆叠起来作为神原创 2017-08-29 21:32:21 · 8337 阅读 · 0 评论