腾讯云开发者社区-腾讯云

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

专栏作者

89

文章

135774

阅读量

42

订阅数

人工智能数据集可视化统计分析工具：快速了解你的数据集

人工智能对象工具可视化数据

Lightly Insights：可以轻松获取关于机器学习数据集基本洞察的工具，可以可视化图像数据集的基本统计信息，仅需提供一个包含图像和对象检测标签的文件夹，它会生成一个包含指标和图表的静态 HTML 网页。

深度学习思考者

2023-12-12

2230

【大模型】人工智能大模型在自动驾驶领域的应用

自动驾驶人工智能模型数据效率

随着ChatGPT的火爆，大模型受到的关注度越来越高，大模型展现出的能力令人惊叹。

深度学习思考者

2023-10-17

7910

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

4310

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

2.4K0

卷积神经网络改进想法初探（上篇）

机器学习人工智能编程算法深度学习数据分析

最近一直在看卷积神经网络，想改进改进弄出点新东西来，看了好多论文，写了一篇综述，对深度学习中卷积神经网络有了一些新认识，和大家分享下。

深度学习思考者

2019-05-26

2.3K0

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

1.5K0

机器学习中常见问题_几种梯度下降法

机器学习人工智能数据处理

本文介绍了梯度下降算法的原理、优缺点以及应用。梯度下降算法是一种用于优化目标函数的迭代方法，通过计算目标函数的梯度来更新参数。该算法有批量梯度下降、随机梯度下降和小批量梯度下降三种形式。优点是计算简单、易于实现；缺点是可能会陷入局部最优解。在机器学习和深度学习领域，梯度下降算法被广泛应用于训练模型。

深度学习思考者

2018-01-03

1.4K0

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

4.4K0

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

1.5K0

DL开源框架Caffe | 目标检测Faster-rcnn训练自己数据问题整理

图像识别人工智能

本文主要介绍了如何利用Caffe进行目标检测，包括数据集制作、模型选择、训练过程等内容。在训练过程中，作者遇到了许多问题，包括protobuf版本的问题、训练参数设置的问题、显卡内存不足的问题等。作者通过调整参数和版本，成功解决了这些问题，最终得到了一个较为理想的目标检测模型。

深度学习思考者

2018-01-02

7550

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

重磅！从单层感知器到深度学习以及深度学习必知的框架

机器学习人工智能深度学习

一单层神经网络（感知器） 1.结构下面来说明感知器模型。在原来MP模型的“输入”位置添加神经元节点，标志其为“输入单元”。其余不变，于是我们就有了下图：从本图开始，我们将权

深度学习思考者

2018-01-02

1.4K0

Vehicle Logo Recognition System Based on Convolutional Neural Networks With a Pretraining Strategy

人工智能卷积神经网络

本文提出了一种基于卷积神经网络（CNN）的车辆标志识别系统。该系统使用一种粗分割策略将车辆标志识别任务转换为多个独立的识别任务，并使用主成分分析（PCA）进行预处理。实验结果表明，该系统在标准数据集上的性能优于其他基于传统计算机视觉技术的系统，同时具有较好的鲁棒性。

深度学习思考者

2018-01-02

8380

机器学习——Dropout原理介绍

机器学习人工智能深度学习

本文介绍了Dropout算法在深度学习中的原理、实现和代码，以及其在防止过拟合方面的作用。作者通过在matlab上实现Dropout算法，说明了其有效性，并进一步分析了Dropout算法在防止过拟合方面的作用。

深度学习思考者

2018-01-02

2.9K0

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

6670

没有更多了

社区活动

RAG七天入门训练营

鹅厂大牛手把手带你上手实战

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