注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 《动手学深度学习》PyTorch实现（过拟合、欠拟合及其解决方案）

  2. 笔记整理 代码整理 L2 范数正则化（regularization） %matplotlib inline import torch import torch.nn as nn import numpy as np import sys sys.path.append(/home/kesci/input) import d2lzh1981 as d2l # L2范数正则化 def fit_and_plot_pytorch(wd): # 对权重参数衰减。权重名称一般是以weight结

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：783360
    • 提供者：weixin_38641150

  1. 强化学习平台安装 Mujoco、mujoco-py、gym、baseline

  2. 日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） Mujoco 安装 1.MuJoCo是一个物理模拟器，可以用于机器人控制优化等研究。 官网下载MuJoCo 2.0 对应平台的安装包：https://www.roboti.us/index.html 中的 mujoco200 linux安装包 mkdir ~/.mujoco cp mujoco200_linux.zip ~/.mujoco

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：531456
    • 提供者：weixin_38518668

  1. 动手学深度学习——task3过拟合、欠拟合以及解决方案、梯度消失和梯度爆炸

  2. 过拟合和欠拟合的概念 过拟合：模型训练误差远小于在测试数据集上的误差，也就是说数据在训练时模型的预测效果好，但是在测试的数据上(要预测的新数据)不能很好的进行预测。 欠拟合：模型无法得到较低的训练误差，也就是说，在训练数据的过程中，就不能很好的对数据进行预测。 主要因素模型复杂度和训练数据集大小 模型复杂度 为了解释模型复杂，以简单多项式函数拟合为例。给定一个由标量数据特征 x 和对应的标量标签 y 组成的训练数据集，多项式函数拟合的目标是找一个 K 阶多项式函数来近似 y 。 在上式中，

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：136192
    • 提供者：weixin_38538021

  1. 深度学习（四）————机器翻译及相关技术、注意力机制与Seq2seq模型、Transformer

  2. 目录   机器翻译及相关技术 注意力机制与seq2seq模型 Transformer 机器翻译及相关技术 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 机器翻译流程：数据预处理，主要模型：encode-decode,seq2seq 注意力机制与seq2seq模型 注意力机制：https://blog.csdn.net/mpk_no1/articl

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：191488
    • 提供者：weixin_38704565

  1. 《动手学pytorch》Task：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络

  2. 一、过拟合和欠拟合 训练误差和测试误差都大，欠拟合 underfitting。模型复杂度不够。 训练误差小于测试误差，过拟合 overfitting。 影响因素之一：训练数据集大小 影响欠拟合和过拟合的另一个重要因素是训练数据集的大小。一般来说，如果训练数据集中样本数过少，特别是比模型参数数量（按元素计）更少时，过拟合更容易发生。此外，泛化误差不会随训练数据集里样本数量增加而增大。因此，在计算资源允许的范围之内，我们通常希望训练数据集大一些，特别是在模型复杂度较高时，例如层数较多的深度学习模型

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：247808
    • 提供者：weixin_38646659

  1. 动手学深度学习PyTorch版–Task4、5–机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer；；卷积神经网络基础；leNet；卷积神经网络进阶

  2. 一.机器翻译及相关技术 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 1.Encoder-Decoder encoder：输入到隐藏状态 decoder：隐藏状态到输出 class Encoder(nn.Module): def __init__(self, **kwargs): super(Encoder, self)

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：1048576
    • 提供者：weixin_38674512

  1. 01-机器学习介绍

  2. 机器学习简介 名人 图灵：人工智能之父 马文·李·闵斯基 范围 人工智能>机器学习>深度学习 应用 1. 图片艺术化 2. CT图识别 3. 车辆识别 4. 机器写新闻 5. 人脸识别 6. NPL 7. 传统预测：房价等 库和框架 TensorFlow caffe chainer theano scikit learn 主要语言 python 课程概要 特征工程 模型、策略、优化 分类、回归和预测 Tensorflow 神经网络 图像识别 自然语言处理 作者：x星云Neb

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：26624
    • 提供者：weixin_38733333

  1. 【opencv学习笔记】014之上采样与降采样

  2. 目录 一、前言 二、图像金字塔 1、聊个题外话 2、图像金字塔 3、上采样与降采样 1.高斯金字塔 2.高斯不同 3.拉普拉斯金字塔 4.API 5.代码展示 6.执行结果 7.先降采样再上采样 8.执行结果 一、前言 继续填坑。 如果想看其他有关于OpenCV学习方法介绍、学习教程、代码实战、常见报错及解决方案等相关内容，可以直接看我的OpenCV分类： 【OpenCV系列】：https://blog.csdn.net/shuiyixin/article/category/7581855 如果

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：606208
    • 提供者：weixin_38678796

  1. 好用的编程、记事本、ssh软件

  2. 深度学习过程中觉得比较好用的软件，Sublimetext、notepad++、Typora、Termius

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：293
    • 提供者：yyk13862721473

  1. SVM支持向量机超精细解读、必看！.docx

  2. 机器学习；深度学习；支持向量机；分类

  3. 所属分类：机器学习

    • 发布日期：2021-03-16
    • 文件大小：17408
    • 提供者：weixin_49882832

  1. 一种基于深度度量学习的视频分类方法

  2. 针对视频分类中普遍面临的类内离散度和类间相似性较大而制约分类性能的问题,该文提出一种基于深度度量学习的视频分类方法.该方法设计了一种深度网络,网络包含特征学习、基于深度度量学习的相似性度量,以及分类3个部分.其中相似性度量的工作原理为:首先,计算特征间的欧式距离作为样本之间的语义距离;其次,设计一个间隔分配函数,根据语义距离动态分配语义间隔;最后,根据样本语义间隔计算误差并反向传播,使网络能够学习到样本间语义距离的差异,自动聚焦于难分样本,以充分学习难分样本的特征.该网络在训练过程中采用多任务学

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：4194304
    • 提供者：weixin_38729269

  1. 深度强化学习进展: 从AlphaGo到AlphaGo Zero

  2. 2016年初, AlphaGo战胜李世石成为人工智能的里程碑事件. 其核心技术深度强化学习受到人们的广泛关.注和研究, 取得了丰硕的理论和应用成果. 并进一步研发出算法形式更为简洁的AlphaGo Zero, 其采用完全不基于.人类经验的自学习算法, 完胜AlphaGo, 再一次刷新人们对深度强化学习的认知. 深度强化学习结合了深度学习和.强化学习的优势, 可以在复杂高维的状态动作空间中进行端到端的感知决策. 本文主要介绍了从AlphaGo到Alpha-.Go Zero的深度强化学习的研究进展.

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：1048576
    • 提供者：weixin_38537968

  1. 计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源

  2. 计算机视觉与深度学习 | 目标检测综述（RCNN、RPN、YOLOv1 v2 v3、FPN、Mask RCNN、SSD代码类）-附件资源

  3. 所属分类：互联网

  1. 李彦宏发布百度大数据引擎，及与谷歌、亚马逊等类似项目对比

  2. 百度大数据引擎一共可分为开放云、数据工厂和百度大脑三个部分，其中开放云提供了硬件性能，数据工厂提供了TB级的处理能力，而百度大脑则提供了大规模机器学习能力和深度学习能力。4月24日，以“大数据引擎驱动未来”为主题的百度第四届技术开放日在北京举行，会议期间百度推出了首款集基础设施、数据处理和机器学习的大数据引擎，而董事长兼CEO李彦宏亲自出席更凸显了百度对这一产品的重视，下面为大家分享罗超在虎嗅上的精彩分析。在4月24日的百度技术开放日上，李彦宏现身并推出了百度大数据引擎。这在百度，表明对相关产品

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：238592
    • 提供者：weixin_38742124

  1. 102类花卉分类数据集（已划分，有训练集、测试集、验证集标签）

  2. 102类花卉分类是深度学习的一个经典项目，但是数据难寻，在此提供已划分的数据集，并且附带了训练集、测试集、验证集标签txt文件+完整pytorch代码

  3. 所属分类：深度学习

    • 发布日期：2021-03-02
    • 文件大小：346030080
    • 提供者：ntntg

  1. 基于全卷积深度模型的可抓取物品识别方法

  2. 目前，工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息，然 后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是， 这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差，只考虑邻近区 域、而不考虑全局信息和结构信息等问题或缺点。为此，在引入基于像素点的全卷积网络（ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ，ＦＣＮ）的基础上，提出了基于 ＦＣＮ的改进模型进行可抓取物品识别，其优 势在于该模型经过学习能够预测各个像素所属物品类别的概

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：1048576
    • 提供者：weixin_38512781

  1. 2016机器学习大盘点（第3篇）

  2. 本篇是2016年度机器学习和深度学习系列文章的第三篇。第一篇中，我们介绍了这一领域的重要趋势，例如有关偏见的担忧，互操作性，深度学习技术的爆发性增长，更加平易近人的超级计算，以及机器学习云平台的涌现。在第二篇中，我们介绍了开源机器学习项目，例如R、Python、Spark、Flink、H2O、TensorFlow等的进展。本文将介绍大型科技公司在机器学习和深度学习领域的举措，这些行业领军公司在软件开发和市场营销方面往往有更充沛的预算。本文要介绍的大型公司包括：SAS，分析预测技术领域软件收入最高

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：172032
    • 提供者：weixin_38516190

  1. 人工智能如何辅助安全自动化、分析处理和响应

  2. 人工智能(AI)含义宽泛，从聊天机器人到自动驾驶汽车的很多东西都可以用这个词来描述。市场营销人员很喜欢赶时髦，乘着这股东风推销产品。这篇文章中，我们将定义和描述AI、机器学习和深度学习，以及它们对信息安全产生的预期影响。虽然往传统上与人类认知相关的功能中引入各类系统已经很普遍，我们不妨退后一步，仔细审视一下这些术语真实的含义。公司企业处理网络安全的方式在改进，可用3个阶段来检验：1.预防——仅仅10年之前，公司企业还将主要工作集中在预防上：避免被入侵。公司企业打造壁垒，强化网络，以便将敌人隔绝在

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：158720
    • 提供者：weixin_38600696

  1. 2016机器学习大盘点（第4篇）

  2. 这是机器学习和深度学习领域2016年盘点系列文章的第四篇。第一篇介绍了该领域的重要趋势，包括有关偏见的担忧，互操作性，深度学习的爆发式增长，更加平易近人的超级计算，以及机器学习云平台的涌现。第二篇介绍了开源机器学习项目，例如R、Python、Spark、Flink、H2O、TensorFlow等的重大进展。第三篇介绍了在软件开发和营销方面有大笔预算，业界领先的大型科技公司在机器学习和深度学习领域的举措。这一系列的第四篇文章，将介绍机器学习和深度学习领域的11家初创公司。在Crunchbase使用

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：1048576
    • 提供者：weixin_38721652

  1. 机器学习项目中的数据预处理与数据整理之比较

  2. 在常见的机器学习/深度学习项目里，数据准备占去整个分析管道的60％到80％。市场上有各种用于数据清洗和特征工程的编程语言、框架和工具。它们之间的功能有重叠，也各有权衡。数据整理是数据预处理的重要扩展。它最适合在可视化分析工具中使用，这能够避免分析流程被打断。可视化分析工具与开源数据科学组件之间，如R、Python、KNIME、RapidMiner互为补充。避免过多地使用组件能够加速数据科学项目。因此，在数据准备步骤中利用流式获取框架或流式分析产品会是一个不错的选择。机器学习和深度学习项目在大多数

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：538624
    • 提供者：weixin_38730821
« 1 2 ... 45 46 47 48 49 50»