![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
DeepLeanring
困比比
研究方向为机器学习,深度强化学习
展开
-
CS231n: Convolutional Neural Networks for Visual Recognition, Summary and Assignments
CS231n课程大家都很熟悉了,深度学习入门必备课程。这里就不多介绍了,只对课程资源进行归纳汇总,分享一下自己学习该课程后完成的作业,以供一起学习的同学们参考、交流。由于该课程的课件较为精炼,没有长篇大论,且知乎有全套的课件翻译,因此这里暂不对该课程知识点进行归纳总结,后续学习中如果有需要提炼的地方会对本文进行更新。课程资源课程地址:http://cs231n.stanford.edu/课程...原创 2018-09-24 11:00:21 · 1019 阅读 · 0 评论 -
CS231n: Lecture 10 | Recurrent Neural Networks
Lecture 10主要讲解了循环神经网络模型的结构、前向传播与反向传播,并由此引出了LSTM(长短期记忆网络),除此之外还介绍了图像标注、视觉问答等前沿问题。文章目录RNN网络结构RNN网络结构...原创 2018-10-01 20:08:58 · 621 阅读 · 0 评论 -
CS231n: Lecture 11 | Detection and Segmentation
Lecture 11主要讲解的是分割、定位与检测。具体包括语义分割、分类定位、目标检测和实例分割四部分。其中语义分割主要介绍了上采样技术。文章目录语义分割(Semantic Segmentation)Semantic Segmentation Idea: Sliding WindowSemantic Segmentation Idea: Fully ConvolutionalSemantic S...原创 2018-10-02 20:54:21 · 933 阅读 · 0 评论 -
CS231n Lecture 14 | Reinforcement Learning
Lecture 13主要讲解了无监督模型和生成模型,其中详细介绍了生成模型中的pixelRNN、pixelCNN、VAE、GAN等图像生成方法。本博客与https://xuyunkun.com同步更新原创 2018-10-12 11:28:25 · 608 阅读 · 0 评论 -
CS231n: Lecture 9 | CNN Architectures Summary
Lecture 9主要讲了一些经典的、比较流行的网络结构,详细讲解了AlexNet、ZFNet、VGGNet、GoogleNet和ResNet。原创 2018-09-28 13:56:57 · 421 阅读 · 0 评论 -
CS231n: Lecture 12 | Visualizing and Understanding
Lecture 12主要讲解的是对卷积神经网络的可视化和解释性的研究,从网络层的特征可视化开始到基于梯度提升方法的特征匹配、特征反演,进而衍生出纹理合成、图像生成和风格转移等。网络内部到底是如何运行的?是如何完成自己特定的工作的?他们需要寻找的特征类型是什么?这些中间层的作用是什么?文章目录First Layer:Visualize FiltersLast LayerLast Layer:N...原创 2018-10-07 23:23:41 · 1279 阅读 · 0 评论 -
CS231n Lecture 13 | Unsupervised Learning and Generative Models
Lecture 13主要讲解了无监督模型和生成模型,其中详细介绍了生成模型中的pixelRNN、pixelCNN、VAE、GAN等图像生成方法。文章目录Unsupervised LearningGenerative ModelsUnsupervised Learning监督式学习我们都很熟悉了,我们有数据x和标签y,我们在的目的是学习到一个函数可以将数据x映射到标签y,标签可以有很多形式。...原创 2018-10-09 13:59:16 · 597 阅读 · 0 评论 -
CS231n Lecture 16 | Adversarial Examples and Adversarial Training
Lecture 16主要讲解了什么是对抗样本,为何会发生,它们是如何破坏机器学习系统的,如何防御它们,如何利用它们来提高机器学习性能,即使没有对抗样本。文章目录What are adversarial examples?Why do they happen?How can they be used to compromise machine learning systems?What are t...原创 2018-10-19 22:31:01 · 818 阅读 · 0 评论 -
CS231n Lecture 15 | Efficient Methods and Hardware for Deep Learning
Lecture 15主要从算法和硬件两个层面讲解了模型压缩和优化等问题,以实现深度学习模型的体积减少、参数数量缩减、计算量减少、计算加速等。目前深度学习模型存在的几大问题。降低能耗是很重要的,那么这些能量都消耗在哪了呢?上图可以看到存储访问的耗能比数学运算的耗能高两到三个数量级,因此,我们需要将算法和硬件联动设计来实现效能的提升。我们将从以下四个方面来讲解:在此之前,我们先来将...原创 2018-10-17 16:54:46 · 531 阅读 · 0 评论