深度学习思考者-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

深度学习思考者

专栏成员

89

文章

152270

阅读量

42

订阅数

PyTorch 提示和技巧：从张量到神经网络

神经网络 pytorch 函数技巧数据

我们将深入探讨使用 PyTorch 构建自己的神经网络必须了解的 2 个基本概念：张量和梯度。

深度学习思考者

2023-10-17

2310

ImageNet Classification with Deep Convolutional Neural Networks笔记(摘要版)

神经网络机器学习深度学习人工智能

Contents 1.全部架构 2.降低过拟合 3.学习细节 4.结果 5.讨论

深度学习思考者

2019-05-27

4450

Python应用（一）识别网站验证码以及识别算法

编程算法图像处理机器学习神经网络

验证码识别涉及很多方面的内容。入手难度大,但是入手后,可拓展性又非常广泛,可玩性极强,成就感也很足。

深度学习思考者

2019-05-26

9790

深入浅出——深度学习中的Batch Normalization使用

神经网络编程算法深度学习批量计算

　　本篇博文主要讲解2015年深度学习领域，非常值得学习的一篇文献：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》，这个算法目前已经被大量的应用，最新的文献算法很多都会引用这个算法，进行网络训练，可见其强大之处非同一般啊。

深度学习思考者

2019-05-26

6150

深度学习模型压缩与加速算法之SqueezeNet和ShuffleNet

卷积神经网络文件存储机器学习神经网络深度学习

自从AlexNet一举夺得ILSVRC 2012 ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-crafted）特征和分类器，不仅提供了一种端到端的处理方法，还大幅度地刷新了各个图像竞赛任务的精度，更甚者超越了人眼的精度（LFW人脸识别任务）。CNN模型在不断逼近计算机视觉任务的精度极限的同时，其深度和尺寸也在成倍增长。

深度学习思考者

2019-05-26

1K0

CNN卷积神经网络的改进（15年最新paper）

机器学习神经网络深度学习人工智能 javascript

回归正题，今天要跟大家分享的是一些 Convolutional Neural Networks（CNN）的工作。大家都知道，CNN 最早提出时，是以一定的人眼生理结构为基础，然后逐渐定下来了一些经典的架构——convolutional 和 pooling 的交替，最后再加上几个 fully-connected layers 用作最后做 prediction 等的输出。然而，如果我们能“反思”经典，深入剖析这些经典架构中的不同 component 的作用，甚至去改进它们，有时候可能有更多的发现。所以，今天分享的内容，便是改进 CNN 的一些工作。

深度学习思考者

2019-05-26

2.5K0

深入浅出——搞懂卷积神经网络的过拟合、梯度弥散、batchsize的影响的问题（二）

深度学习机器学习神经网络

本文主要探讨了深度学习中的正则化方法、数据集扩增以及深度学习模型的优化技巧等方面的内容。通过介绍Batch_Size、L1和L2正则化、数据集扩增以及Dropout等技术，旨在帮助读者深入了解深度学习中的正则化技巧，提高模型的泛化能力。

深度学习思考者

2018-01-03

1.7K0

深入浅出——搞懂卷积神经网络误差分析（一）

机器学习人工智能神经网络深度学习大数据

本文主要阐述了卷积神经网络中误差反向传播算法的具体实现细节，包括每一层的误差计算、权值更新以及误差敏感项的计算等。同时，本文还介绍了在池化层和卷积层相接的情况下，如何计算该层的误差敏感项。通过本文的介绍，读者可以更加深入地理解卷积神经网络中误差反向传播算法的工作原理，并能够更好地使用卷积神经网络进行深度学习任务。

深度学习思考者

2018-01-03

1.6K0

卷积神经网络中图像池化操作全解析

卷积神经网络神经网络

本文对池化操作在卷积神经网络中的重要性进行了探讨，介绍了池化操作的几种不同形式，包括最大池化、平均池化、随机池化等，并分析了各种池化操作在卷积神经网络中的应用。同时，本文还介绍了池化操作的优点，以及池化操作在空间金字塔池化中的实现方法。

深度学习思考者

2018-01-03

1.6K0

深入浅出——网络模型中Inception的作用与结构全解析

深度学习人工智能神经网络

本文主要介绍了深度学习网络模型中Inception模块的作用、结构、优缺点以及改进版本Inception-v4模型。Inception模块是一种用于提升CNN网络性能的结构，通过堆叠不同尺寸的卷积层和池化层，以获得更丰富的特征图信息。Inception结构包括Inception v1、Inception v2和Inception v3等，每个版本都有其特点和优缺点。Inception-v4模型对Inception结构进行了进一步改进，通过分解7x7卷积层，使用1x3和3x1的卷积核，实现了更高效的计算和更深的网络。

深度学习思考者

2018-01-02

4.8K0

深度学习的应用——快速变脸的实现

神经网络机器学习图像处理深度学习

本文介绍了一种基于卷积神经网络的快速变脸方法，该方法可以快速地将一张人脸图像转换为另一张人脸图像，并保持其光照、姿势和表情等属性。该方法包括人脸对齐、风格迁移和变脸生成等步骤，并使用一个包含68个面部关键点的三维面部表示。实验结果表明，该方法可以生成高质量的变脸图像，甚至在测试集上获得了更好的结果。

深度学习思考者

2018-01-02

1.5K0

深度学习的应用——检测糖尿病型视网膜症

人工智能机器学习深度学习神经网络

该文摘要总结如下：本文介绍了一种用于检测糖尿病性视网膜病变的深度学习算法。该算法使用视网膜眼底照片作为输入，并利用深度学习技术自动检测出患有糖尿病性视网膜病变的患者。该算法具有高灵敏度和特异性，可以替代传统的人工检查方法，有助于提高糖尿病性视网膜病变的检测效率和准确性。

深度学习思考者

2018-01-02

1.6K0

DL开源框架Caffe | 目标检测Faster-rcnn问题全解析

python 机器学习神经网络深度学习人工智能

本文介绍了如何使用深度学习检测物体，并提供了相关代码和教程。主要包括以下内容：1.基于Faster R-CNN的物体检测；2.使用PyTorch实现Faster R-CNN；3.训练自己的数据集进行物体检测；4.如何优化物体检测的精度；5.使用多GPU进行训练。

深度学习思考者

2018-01-02

1.2K0

深度学习的四个部分

人工智能机器学习深度学习神经网络

深度学习作为人工智能的一个子领域，在近年来得到了广泛的关注并取得了飞速的发展。主要从四个部分：优化、泛化、表达和应用来总结该领域的研究现状。优化方面的研究主要关注如何最小化损失函数，并介绍了几种常用的优化算法。泛化方面的研究主要关注如何让模型在训练集上表现良好，并指出了泛化误差的重要性。表达方面的研究主要关注如何从数据中学习有效的表示，并介绍了几种常用的表达学习算法。应用方面的研究主要关注如何将深度学习应用于实际问题中，并指出了各个领域都有深度学习落地的可能性。

深度学习思考者

2018-01-02

7110

没有更多了

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态