Category: 深度学习

《1天搞懂深度学习》一本适合新手的学习教程!

《1天搞懂深度学习》一本适合新手的学习教程!

那么关于深度学习的资料,网上有很多,不过大部分都不太适合初学者。最近小编发现一套关于深度学习手册《1天搞懂深度学习》,是李宏毅教授写的,300多页,非常容易入门。不夸张地说,是我看过关于深度学习最系统,最通俗易懂的资料。

干货:Excel图解卷积神经网络结构

在本文中,我将会讨论 CNN 背后的架构,其设计初衷在于解决图像识别和分类问题。同时我也会假设你对神经网络已经有了初步了解。

理解NLP中的卷积神经网络(CNN)

现在当我们听到神经网络(CNN)的时候,一般都会想到它在计算机视觉上的应用,尤其是CNN使图像分类取得了巨大突破,而且从Facebook的图像自动标注到自动驾驶汽车系统,CNN已经成为了核心。

被眼睛欺骗?这正是你比机器高明的地方!深度学习如何处理认知错觉

上下滑动手机屏幕,让这些方块与你的屏幕对齐,你会发现… 这些方块居然是水平排列的! 实际上,这类视觉错觉展示了人类感知世界的特殊方式,也是人类和目前深度学习认知的重要区别。 今天,我们就从这一不同出发,谈谈人类感知世界的机制,并由此畅想机器学习未来的发展方向。

《机器学习与深度学习》-5月19上海周末班

通过本课程的学习,学员能初步掌握机器学习、深度学习的重要概念及常用算法(决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN等),以及机器学习、深度学习领域当前的热点。

手把手:我的深度学习模型训练好了,然后要做啥?

本文讲的是如何快速而不求完美地部署一个训练好的机器学习模型并应用到实际中。如果你已经成功地使用诸如Tensorflow或Caffe这样的框架训练好了一个机器学习模型,现在你正在试图让这个模型能够快速的演示,那么读这篇文章就对了。

入门深度学习,但你知道哪些情况下不该使用深度学习吗?

我知道以深度学习的缺点来开始本文是不合时宜的,但是此前关于深度学习的一大波讨论我觉得可以很好的引出我观点。一切都是从 Jeff Leek 于 Simply Stats 博客 发表的一篇关于在小样本规模体系中使用深度学习的注意事项文章开始。

一文助你解决90%的自然语言处理问题(附代码)

自然语言处理(NLP)与计算机视觉(CV)一样,是目前人工智能领域里最为重要的两个方向。如何让机器学习方法从文字中理解人类语言内含的思想?本文中,来自 Insight AI 的 Emmanuel Ameisen 将为我们简述绝大多数任务上我们需要遵循的思路。

八大深度学习最佳实践

文中提到的所有实践方法都是通过 Jupyter Notebook 这个高效接口来完成的,PyTorch 本身和 fastai 深度学习库均支持 Jupyter Notebook。

2018 年,关于深度学习的 10 个预测

我有一种预感:2018年,所有的事情都会发生巨变。我们在2017年看到的深度学习取得的惊人突破将会以一种强大的方式延续到2018年。2017年在深度学习领域的研究成果将会应用于日常的软件应用中。

深度学习开源工具——caffe介绍

本次报告主要内容是

对机器学习、深度学习的一些介绍,包括若干深度学习的经典模型;
Caffe 的优势(模块化、速度、社区支持等)、基本结构(网络定义、层定义、Blob等)和用法(模型中损失函数、优化方法、共享权重等的配置、应用举例、参数调优的技巧),以及未来方向(CPU/GPU 并行化、Pythonification、Fully Convolutional Networks等)。

如何用C++在TensorFlow中训练深度神经网络

目前流行的深度学习框架 TensorFlow 是以 C++为底层构建的,但绝大多数人都在 Python 上使用 TensorFlow 来开发自己的模型。随着 C++ API 的完善,直接使用 C++来搭建神经网络已经成为可能,本文将向你介绍一种简单的实现方法。

用GPU加速深度学习: Windows安装CUDA+TensorFlow教程

本着探索的精神,我试着在两台Windows电脑上安装了CUDA(用于调用GPU)和TensorFlow(谷歌开发的深度学习工具库),把这个过程记录下来和大家分享。如果在安装过程中大家遇到了什么具体问题,也可以评论给我。

TensorFlow 广度和深度学习的教程

在这篇文章中,我们将会介绍如何使用 TF.Learn API 同时训练一个广度线性模型和一个深度前馈神经网络。这种方法结合了记忆和泛化的优势。它在一般的大规模回归和具有稀疏输入特性的分类问题(例如,分类特征存在一个很大的可能值域)上很有效。

切换注册

登录

忘记密码 ?

切换登录

注册