腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
Coding迪斯尼
专栏作者
举报
321
文章
266100
阅读量
96
订阅数
订阅专栏
申请加入专栏
全部文章（321）
编程算法（108）
其他（48）
神经网络（37）
go（27）
java（22）
python（20）
深度学习（20）
ide（18）
数据结构（18）
存储（17）
数据库（14）
sql（14）
区块链（13）
人工智能（13）
tcp/ip（13）
游戏（12）
缓存（12）
机器人（12）
http（11）
网络安全（10）
编译器（10）
文件存储（9）
机器学习（8）
打包（8）
安全（8）
语法（8）
javascript（7）
node.js（7）
单片机（7）
linux（7）
udp（7）
函数（7）
react（6）
压力测试（6）
ftp（6）
keras（6）
字符串（6）
比特币（5）
html（5）
api（5）
正则表达式（5）
算法（5）
图像识别（4）
lexer（4）
对象（4）
接口（4）
模型（4）
系统（4）
数字货币（3）
c++（3）
汇编语言（3）
网站（3）
express（3）
爬虫（3）
二叉树（3）
rpc（3）
微信（3）
windows（3）
微服务（3）
aigc（3）
return（3）
time（3）
基础（3）
客户端（3）
数学（3）
解释器（3）
云服务器（2）
DNS 解析 DNSPod（2）
tensorflow（2）
iphone（2）
c 语言（2）
php（2）
bash（2）
bootstrap（2）
ajax（2）
mapreduce（2）
日志服务（2）
黑客（2）
dns（2）
gcc（2）
socket编程（2）
数据处理（2）
https（2）
connect（2）
flex（2）
send（2）
tcp（2）
wireshark（2）
变量（2）
编码（2）
编译（2）
程序（2）
数组（2）
协议（2）
压缩（2）
状态机（2）
人脸识别（1）
NLP 服务（1）
ios（1）
.net（1）
jquery（1）
json（1）
eclipse（1）
jar（1）
apache（1）
bash 指令（1）
容器镜像服务（1）
spring（1）
批量计算（1）
访问管理（1）
消息队列 CMQ 版（1）
腾讯云测试服务（1）
自动化（1）
html5（1）
jvm（1）
numpy（1）
面向对象编程（1）
spring boot（1）
单元测试（1）
flash（1）
kernel（1）
大数据（1）
小程序（1）
腾讯云开发者社区（1）
kafka（1）
小程序·云开发（1）
alpha（1）
app（1）
append（1）
attr（1）
case（1）
character（1）
code（1）
csv（1）
data（1）
desktop（1）
detection（1）
function（1）
init（1）
key（1）
ld（1）
list（1）
map（1）
max（1）
network（1）
point（1）
push（1）
select（1）
server（1）
state（1）
telnet（1）
timer（1）
token（1）
wait（1）
word（1）
遍历（1）
测试（1）
队列（1）
工具（1）
集合（1）
脚本（1）
连接（1）
命令行（1）
内核（1）
设计（1）
事件（1）
视频（1）
数据（1）
搜索（1）
索引（1）
网络（1）
文件上传（1）
效率（1）
搜索文章
搜索
搜索
关闭
从0编写区块链:用python解释区块链最基本原理
区块链
数据结构
编程算法
神经网络
人工智能和区块链诞生至今已经有了十几年，当这些技术出现时，人们都说他们会改变世界，但至今为止，这两项技术对现实的影响依然有限。从技术上看人工智能的原理其实是从大量数据中寻找规律或模式，但区块链的技术原理是什么呢？在我看来区块链的原理一直处于云里雾里，有很多近乎玄学的解释将其笼罩，有人从经济学解释，有人从社会学解释，从”人文“角度解释的区块链总是过于夸大其词，这些说法中往往又包含不良用心。
望月从良
2022-03-28
652
0
使用回调函数及tensorboard实现网络训练实时监控
keras
神经网络
神经网络开发的一大特点是， 一旦我们把大规模数据输入网络进行分析时，你的感觉就像抛出一只纸飞机，除了抛出那一刻你拥有控制力外，一旦离手，它怎么飞怎么飘就不再是你能控制得了。神经网络代码的运行就有这个特点，我们不能像平常程序那样设置断点，然后单步调试，一旦运行后，我们只能观察结果。令人郁闷的是，很多时候训练非常耗时，你跑完几个小时后突然发现代码中存在bug，于是你停下程序，修正后你又得等待好几个小时。
望月从良
2022-01-17
899
0
LSTM和GRU网络的高级运用实例
数据处理
神经网络
机器学习
深度学习
人工智能
接着我们看看LSTM网络更复杂的运用，那就是用来预测气温。在这个例子中，我们可以使用很多高级数据处理功能，例如我们可以看到如何使用”recurrent dropout”来预防过度拟合，第二我们会把多个LTSM网络层堆积起来，增强怎个网络的解析能力，第三我们还会使用到双向反复性网络，它会把同一种信息以不同的形式在网络内传递，从而增加网络对信息的理解。
望月从良
2022-01-17
542
0
LSTM网络层详解及其应用实例
机器学习
神经网络
深度学习
人工智能
上一节我们介绍了RNN网络层的记忆性原理，同时使用了keras框架听过的SimpleRNN网络层到实际运用中。然而使用的效果并不理想，主要是因为simpleRNN无法应对过长单词串的输入，在理论上，当它接收第t个输入时，它应该能把前面好几个单词的处理信息记录下来，但实际上它无法把前面已经处理过的单词信息保留到第t个单词输入的时刻。
望月从良
2022-01-17
819
0
人脸识别原理详解：使用tfrecord集合网络训练所有数据
数据结构
神经网络
由于工作繁忙原因，对人脸识别技术原理的连载停了一段时间，从今天开始尝试恢复回来。我们先回想一下前面完成的工作。这几节主要任务就是为神经网络的训练准备足够多的数据，第一步是创建不包含或者包含人脸部分小于30%的图片，我们从人脸图片数据集中的每张图片随机选取一个矩形区域，确定该区域与人脸区域不重合或重合部分少于30%，这部分数据我们成为neg，目的是告诉网络没有人脸的图片是怎样的。
望月从良
2021-04-21
446
0
Deep-Fake原理揭示：使用WGAN-GP算法构造精致人脸
机器学习
神经网络
深度学习
人工智能
编程算法
在上一节中可以看到基于”推土距离“的WGAN网络能够有效生成马图片，但是网络构造能力有所不足，因此导致有些图片模糊，甚至有些图片连马的轮廓都没有构建出来，本节我们改进WGAN网络，让它具有更强大的图像生成能力。
望月从良
2020-05-22
1.4K
0
现代黑科技版“指鹿为马":使用CycleGAN实现男女“无痛变性”
javascript
机器学习
神经网络
深度学习
人工智能
在秦朝末期，奸臣赵高一手遮天，为了显示自己的权势与力量，他在众人面前指着一头鹿说那是马，大家畏惧赵高的权势，明知那是鹿却不得不配合赵高说那是马，这就是经典成语”指鹿为马“的出处。
望月从良
2020-05-22
1.1K
0
使用’推土距离‘构建强悍的WGAN
编程算法
机器学习
神经网络
深度学习
人工智能
读者读到此处时或许会有一个感触，网络训练的目的是让网络在接收输入数据后，它输出的结果在给定衡量标准上变得越来越好，由此“衡量标准”设计的好坏对网络训练最终结果产生至关重要的作用。
望月从良
2020-04-07
590
0
生成型对抗性网络介绍与实现原理
神经网络
如何无中生有是AI领域研究的重点。原有神经网络大多是对已有问题的识别和研究，例如让神经网络学会识别图片中的动物是猫还是狗，随着研究的进一步深入，目前能够做到让网络不但能识别图片中的物体，还能让它学会如何创造图片中的物体，具备”创造性“让AI技术的应用价值大大提升。
望月从良
2020-02-26
326
0
应用Tensorflow2.0的Eager模式快速构建神经网络
keras
神经网络
深度学习
tensorflow
TensorFlow是开发深度学习算法的主流框架，近来随着keras和pytorch等框架的崛起，它受到了不小挑战，为了应对竞争它本身也在进化，最近新出的2.0版本使得框架的应用更加简易和容易上手，本节我们就如何使用它2.0版本提出的eager模式进行探讨，在后面章节中我们将使用它来开发较为复杂的生成型对抗性网络。
望月从良
2020-02-18
933
0
换脸原理,使用GAN网络再造ZAO应用：深度学习和神经网络介绍
神经网络
人工智能有两大分支，一支是机器学习，一支叫深度学习，目前后者占据人工智能技术的主流，当前流行的ZAO换脸应用，自动驾驶，人脸识别使用的都是后者。深度学习主要用于模仿人的认知能力，它的特长在于处理非机构化数据。
望月从良
2019-09-20
887
0
生成型对抗性网络的基本定义和介绍：什么叫生成
神经网络
iphone
深度学习
ios
编程算法
自从电脑诞生后，人类就有一个梦想，让它像人类一样思考。随着人工智能技术的飞速发展，计算机的思考能力突飞猛进，在很多方面已经通过了所谓的“图灵测试”。特别是在深度学习这一领域技术上，电脑不但具备了很多原以为人类才可能具备的能力，而且某些认知能力已经超过了人的水平，例如在神经网络技术的支持下，电脑在图片识别上的准确率已经超过了人类。
望月从良
2019-08-29
503
0
AlphaGo增强式学习算法：实现‘高手指点’特效
机器人
神经网络
编程算法
我们在学习过程中离开不了老师的指导，老师除了传授知识外，另外一个很重要的作用是指出问题。我们或多或少有这样的经验，在训练某种技能时一开始进步很快，但不久就进入瓶颈期，这段时期无论你做什么都很难产生明显的突破。此时如果有个水平较高，经验老到的老师给你指条出路，或是告诉你哪一步做出了，你根据它的指导去践行后，水平又会出现新的提升。
望月从良
2019-08-05
388
0
实现应用于AlphaGo得增强式学习算法,代码实现1
神经网络
机器人
它将作为工具，用于分析环境，以便帮助Agent做出正确选择。我们将构造一个Agent对象，真正的主角是它，它将执行我们制定的策略算法，然后不断调教网络，让它深入分析环境特性，以便提供准确的数据给Agent做决策。
望月从良
2019-06-20
316
0
增强式学习核心算法:基于策略的梯度下降法
编程算法
神经网络
我们要打造一个Agent，也就是智能机器人，它运作在一个给定环境中。它每次与环境互动时都有给定种选择，同时它可以获得当前环境的状态，Agent如果在有限种选择中选择了“正确”的选择，那么环境就会给它一个正回馈，如果做出了错误选择 ，环境就会给它负反馈。
望月从良
2019-06-12
464
0
向AlphaGo进化,应用增强式学习技术打造超越人类的围棋机器人
神经网络
AlphaGo在与李世石或柯洁对弈过程中有个休息流程。此时人类选手利用这段时间充分放松思维，让自己从上一盘比赛的剧烈思维活动中抽身而出，让身体和思维获得恢复以便再战。但此时AlphaGo并没有休息，而是抓住这段时间自己跟自己对弈，在对方休息时，它可能又让自己下了好几万盘棋，于是自己的下棋能力又有了新的提升。当下一盘棋开始时，李世石和柯洁唯一的变化是由体力的下降而变弱了，而AlphaGo通过自我对弈增强了，如此此消彼长，最终结局自然不难预料。
望月从良
2019-06-02
534
0
改变棋盘编码方式，增强围棋机器人的智能肌肉
爬虫
神经网络
在上一节，我们把棋盘编码成二维数组后输入到网络，对网络进行训练。我们编码棋盘的方式很简单，把当前落子方在棋盘上棋子摆放的位置设置成1，对方在棋盘上落子的位置设置成-1，然后落子方根据当前棋盘情况实现的落子，也被编码成二维数组，所有元素都是0，只有落子位置设置成1，由此我们就形成了一条训练记录，落子前的棋盘编码是训练数据，落子方式对应的二维数组是训练标签。
望月从良
2019-05-17
541
0
构建一个能够打败人类的围棋神经网络
编程算法
神经网络
上一节，我们从围棋服务器中下载大量棋谱，并将其转换成网络可以解析的数据格式，在神经网络的开发中完成了最繁琐的一步，也就是数据准备。接下来我们将创建一个神经网络，对数据进行解读，使得网络具备6到7段的围棋专业水平，它尚未具备打败柯洁或李世石这些顶级高手的能力，但打败业余级高手则绰绰有余。
望月从良
2019-05-14
483
0
使用神经网络和深度学习构造围棋智能算法:实现棋盘落子编码
深度学习
机器人
编程算法
数据结构
神经网络
在前面章节中，我们引入不少算法和数据结构用以支持围棋机器人实现。由于围棋的步骤组合太多，几乎没有确定性的算法能在合理的时间内给出好的走法。从本节开始，我们将像AlphGo那样引入深度学习技术，通过训练神经网络的方式打造出一个强大的围棋机器人，使得这个机器人的围棋技能能够超越人类智慧之上。
望月从良
2019-04-28
911
0
打爆李世石第一步：使用神经网络设计人工智能围棋机器人
神经网络
tensorflow
python
上一节，我们使用基于蒙特卡洛树搜索的机器人来自我对弈，同时我们把机器人落子方式和落子时的棋盘编码记录下来，本节我们就使用上一节数据来训练神经网络，让网络学会如何在给定棋盘下进行精确落子。
望月从良
2019-04-28
659
0
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天，分 10000 元奖品池！
立即发文
Python精品学习库
代码在线跑，知识轻松学
立即查看
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
立即体验
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
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档