深度学习(1):基础概念与创建项目

最新推荐文章于 2024-09-26 17:20:50 发布
最新推荐文章于 2024-09-26 17:20:50 发布
阅读量474 收藏 7
点赞数 5
分类专栏： 深度学习 笔记 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51976556/article/details/142455296
版权

文章目录

基础概念

CPU（中央处理器）

CPU 是计算机的核心部件，负责执行计算和逻辑操作。它按照指令序列进行任务处理，擅长处理串行任务。CPU 的性能直接影响计算机的整体运行速度。

GPU（图形处理器）

GPU 最初设计用于图形渲染，能够并行处理大量数据。由于其强大的并行计算能力，GPU 被广泛应用于深度学习、科学计算和数据分析等需要高计算量的领域。

CUDA（Compute Unified Device Architecture）

CUDA 是 NVIDIA 推出的并行计算平台和编程模型。它允许开发者使用 C、C++、Python 等语言编写程序，在 GPU 上执行并行计算，从而大幅提升计算性能。

Anaconda

Anaconda 是一个开源的 Python 和 R 语言发行版，主要用于科学计算和数据分析。它集成了大量常用的数据科学包，如 NumPy、Pandas、SciPy 等，并包含 Conda 包管理器，方便环境管理和包依赖。

PyTorch 和 TensorFlow

PyTorch 和 TensorFlow 是两大主流的深度学习框架。

  • TensorFlow：由 Google 开发，支持静态和动态图计算，适用于从研究到生产的各个环节。它有丰富的工具和社区支持，适合构建大型复杂模型。

  • PyTorch：由 Facebook 开发，以其动态计算图和易于使用的 API 而闻名。PyTorch 更加灵活，便于调试，深受研究人员和初学者的喜爱。

这两个框架都支持 GPU 加速，利用 GPU 的并行计算能力加速深度学习模型的训练和推理。

创建项目

1.在Anaconda上创建序虚拟环境

在这里插入图片描述
在这里插入图片描述

2.创建PyProject

在这里插入图片描述

3.创建完成

在这里插入图片描述

ζั͡ޓއއއ坏尐絯
关注
专栏目录
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 25万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
机器学习与深度学习基础概念
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-03 2万+
本篇主要介绍机器学习主要概念，包括不限于标签、特征、样本、训练、模型、回归模型、分类模型、泛化、过拟合、预测、平稳性、训练集、验证集、测试集。
Bishop新著 - 深度学习:基础与概念 - 前言
GarryWang1248的博客
12-04 2769
大神Bishop最新深度学习巨著
Keras深度学习实战（1）——神经网络基础与模型训练过程详解
热门推荐
盼小辉丶的博客
04-10 4万+
神经网络是一种性能强大的学习算法，其灵感来自大脑的运作方式。类似于神经元在大脑中彼此连接的方式，神经网络获取输入后，通过某些函数在网络中进行传递输入信息，连接在其后的一些神经元会被激活，从而产生输出。本文主要介绍神经网络中重要的基础知识，然后使用 Python 从零开始构建神经网络的训练流程，包括前向传播和反向传播，更直观的了解神经网络的通用训练流程。............
【深度学习：Foundation Models】基础模型完整指南
欢迎来到最优秀的博客
01-10 3931
基础模型 "一词是斯坦福以人为中心的人工智能研究所（HAI）的基础模型研究中心（CRFM）于 2021 年创造的。CRFM 诞生于斯坦福的 HAI 中心，汇集了斯坦福 10 个院系的 175 名研究人员。这远非唯一一家对基础模型进行研究的学术机构，但由于这一概念起源于此，因此值得注意的是最初对基础模型的描述方式。CRFM 将基础模型描述为 “任何在广泛数据上训练出来的模型（一般使用大规模自监督），可以适应（例如微调）广泛的下游任务”。欲了解更多信息，他们的论文《论基础模型的机遇与风险》值得一读。
【深度学习】：《PyTorch入门到项目实战》卷积神经网络2-5：LeNet、AlexNet、VGG
阿里云专家博主、数据科学领域优质创作者、统计er在读
07-17 1万+
我们介绍了三种经典的卷积神经网络架构：`LeNet，AlexNet，VGG`。他们的共同思想都是使用卷积层来学习图片的空间信息，提取特征，最后使用全连接层转换到我们要的分类空间。 LeNet是首个成功应用在手写数字识别数据集上的深度卷积神经网络，只有2个卷积层、两个池化层和三个全连接层 AlexNet在LeNet基础上使用了更多更深的卷积层，在2012年的ImageNet比赛上一战成名，从此引领了深度学习的浪潮 VGG在AlexNet的基础上构建了一个非常深的卷积神经网络，通过堆叠多个VGG块实现
使用Python实现深度学习模型：模型部署与生产环境应用
Echo_Wish的博客
07-07 1882
模型部署是将训练好的机器学习或深度学习模型集成到应用程序或服务中，使其能够在生产环境中运行并提供预测服务的过程。模型保存与加载API服务容器化部署云端部署Flask是一个轻量级的Python Web框架，常用于快速开发API服务。它简单易用，适合小型项目和快速原型开发。本文详细介绍了如何使用Python实现深度学习模型的部署与生产环境应用，包括模型保存与加载、使用Flask进行API部署、使用Docker进行容器化部署和在云端部署模型。
深度学习关键要素：数据集汇总与分享
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
08-09 8096
在深度学习的应用中，数据被认为是最重要的因素之一。因此，选择一个好的数据集对于深度学习的成功至关重要。在选择数据集时，不仅需要关注数据量的大小、多样性以及质量，还要考虑数据集是否代表了所研究问题的真实情况。本文整理了当前深度学习领域公开的数据集，供大家训练模型时选择和使用。
AI基本概念(人工智能、机器学习、深度学习)
oscar999的专栏
07-01 1787
一、概述ChatGPT 3.5是OpenAI在ChatGPT系列基础上进行改进的一款AI模型，它在自然语言处理方面展现出了非常强大的能力，能够进行对话、阅读、生成文本等多种任务。二、主要特点模型规模与参数：ChatGPT 3.5的预训练模型包含了1750亿个参数，是目前最大的自然语言处理模型之一。多语言支持：该模型可以处理多种语言，包括英语、西班牙语、德语、法语、意大利语、荷兰语、俄语、韩语、日语、阿拉伯语和中文等。自适应回复。
深度学习的基础概念
数据小工的博客
02-23 2113
深度学习        深度学习的基本定义情况如下： 深度学习 = 神经学习 深度学习⊆机器学习深度学习⊆机器学习深度学习\subseteq 机器学习 深度学习术语： MLP：Multilayer Perceptron:多层感知机 DNN：Deep neural networks:深度神经网络 CNN：Convolutional neura...
深度学习框架PyTorch：入门与实践_高清1
08-04
《深度学习框架PyTorch：入门与实践》是一本针对PyTorch这一深度学习框架的教程，旨在帮助读者快速掌握PyTorch的基础知识并实践应用。PyTorch因其简洁的设计、直观的接口、高效的执行速度和高度的灵活性，自2017年...
深度学习框架(TensorFlow)基础教程——第1章：人工智能简介
10-09
此外，AI还可以按照技术路线分为规则基础AI、机器学习（ML）、深度学习等。 3. 深度学习：深度学习是机器学习的一个子领域，主要依赖于多层神经网络对数据进行建模和预测。它在图像识别、自然语言处理等领域取得了...
【深度学习】（3）--损失函数
m0_74896766的博客
09-18 2326
本篇介绍了部分损失函数： 1. L1Loss损失函数：通常用于回归任务中。 2. NLLLoss损失函数：在多分类问题中广泛应用。 3. MSELoss损失函数：在多种回归任务中表现出色。 4. BCELoss损失函数：广泛应用于各类二分类任务中。 5. CrossEntropyLoss交叉熵损失函数：广泛应用于多分类问题中。
对比学习训练是如何进行的
qq_45809323的博客
09-25 316
对比学习（Contrastive Learning）是一种自监督学习的方法，旨在通过拉近相似样本的表示、拉远不相似样本的表示来学习特征表示。在训练过程中，模型并不依赖标签，而是通过样本之间的相似性进行学习。
用于MRI重建的具有全局感受野的傅里叶卷积块|文献速递--基于多模态-半监督深度学习的病理学诊断与病灶分割
最新发布
weixin_38594676的博客
09-26 623
在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。这意味着，虽然傅里叶域中的卷积核 W 大小与输入相同，但它的空间对应物可以是一个大小为 K × K 的零填充卷积核，大小范围从 1 × 1 到输入大小 N × N 不等。顶部显示了8×加速的结果，底部显示了12×加速的结果。
AI学习指南深度学习篇-Adadelta算法流程
俞兆鹏的博客
09-23 654
在深度学习领域，优化算法一直是一个重要的研究方向。在训练深度神经网络时，选择合适的优化算法可以大大提高训练速度和模型性能。Adadelta算法是一种自适应学习率的优化算法，它不需要手动设置学习率，能够在训练过程中自动调整学习率，适应不同参数的变化。
【深度学习】03-神经网络2-1损失函数
weixin_41645791的博客
09-23 733
L2 的特点是，当初始值的给的不好，导致预测值和目标值差异大的时候，会产生梯度爆炸，所以我们也不用这个损失函数，而是做正则化来缓解过拟合。热编码是，默认会找你的最大值去，确定有多少个0，因为0也算一个位置，所以如果最大值为5，那么就一共有6位（0，1，2，3，4，5。L1 这个损失函数最大的特点是： 零点不平滑，导致不可导，跳过极小值，所以不会用来做损失函数，而是做正则化用来缓解过拟合。这里的是API 的注意⚠️，但是在真实的公式中，目标值一定是热编码之后的，但是在API中可以是热编码之前的。
深度学习与应用：行人跟踪
qz1992的专栏
09-22 710
4. 已安装软件：python版本：python 3.9，显卡驱动，cuda版本：cuda11.3 cudnn 版本：8.4.1,torch==1.12.1+cu113,torchvision= 0.13.1+cu113。- 准备多目标跟踪数据集MOT17 ，下载地址位于（Https://motchallenge.net），放置于工程路径为：（examples/val_utils/data/MOT17）3. MOT17数据集存储位置：examples/val_utils/data/MOT17。
基于深度学习的缺失数据的图像修复
weixin_42605076的博客
09-26 671
图像修复的基本目标是根据图像的上下文信息恢复缺失的部分。卷积神经网络（CNN）：CNN通过学习图像的局部特征，能够有效捕捉到图像的空间信息。模型通常在含有缺失区域的图像和相应的完整图像之间进行训练，以学习如何填补这些缺失区域。生成对抗网络（GANs）：GANs通过对抗训练的方式提高生成图像的质量。修复网络和判别网络相互竞争，修复网络努力生成真实的缺失部分，而判别网络则尝试区分修复后的图像和真实图像。这样可以生成更加自然和真实的修复结果。自编码器。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值