腾讯云
开发者社区
文档
建议反馈
控制台
登录/注册
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
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
月色的自留地
专栏成员
举报
113
文章
219279
阅读量
65
订阅数
订阅专栏
申请加入专栏
全部文章(113)
python(28)
人工智能(21)
编程算法(18)
其他(15)
tensorflow(15)
机器学习(13)
linux(13)
神经网络(9)
深度学习(9)
ios(7)
mac os(7)
windows(7)
unix(5)
keras(5)
https(5)
java(4)
打包(4)
存储(4)
图像识别(4)
c++(3)
bash(3)
node.js(3)
容器镜像服务(3)
开源(3)
gui(3)
opencv(3)
比特币(2)
xcode(2)
angularjs(2)
android studio(2)
qt(2)
数据库(2)
ide(2)
git(2)
github(2)
api(2)
ubuntu(2)
bash 指令(2)
apt-get(2)
网站(2)
kubernetes(2)
游戏(2)
卷积神经网络(2)
大数据(2)
微信(2)
小程序(2)
人脸识别(1)
区块链(1)
数字货币(1)
NLP 服务(1)
自动驾驶(1)
iphone(1)
swift(1)
go(1)
html(1)
android(1)
opengl(1)
嵌入式(1)
云数据库 SQL Server(1)
centos(1)
spring(1)
命令行工具(1)
SSL 证书(1)
机器翻译(1)
http(1)
容器(1)
分布式(1)
运维(1)
黑客(1)
爬虫(1)
shell(1)
网络安全(1)
numpy(1)
监督学习(1)
npm(1)
scrapy(1)
markdown(1)
无监督学习(1)
迁移学习(1)
数据分析(1)
物联网(1)
网站建设(1)
虚拟化(1)
分类算法(1)
sdk(1)
app(1)
apple(1)
binary(1)
com(1)
summary(1)
规范化(1)
搜索文章
搜索
搜索
关闭
梯度下降法基本推导--机器学习最基本的起点
机器学习
神经网络
深度学习
人工智能
仍然是一篇入门文,用以补充以前文章中都有意略过的部分。 之前的系列中,我们期望对数学并没有特别喜好的程序员,也可以从事人工智能应用的开发。但走到比较深入之后,基本的数学知识,还是没办法躲过的。
俺踏月色而来
2019-06-22
985
0
TensorFlow从1到2(十二)生成对抗网络GAN和图片自动生成
机器学习
神经网络
深度学习
人工智能
上一篇中介绍的VAE自动编码器具备了一定程度的创造特征,能够“无中生有”的由一组随机数向量生成手写字符的图片。 这个“创造能力”我们在模型中分为编码器和解码器两个部分。其能力来源实际上是大量样本经过学习编码后,在数字层面对编码结果进行微调,再解码生成图片的过程。所生成的图片,是对原样本图的某种变形模仿。
俺踏月色而来
2019-05-15
1.2K
0
TensorFlow从1到2(十)带注意力机制的神经网络机器翻译
机器翻译
机器学习
神经网络
深度学习
人工智能
机器翻译和语音识别是最早开展的两项人工智能研究。今天也取得了最显著的商业成果。 早先的机器翻译实际脱胎于电子词典,能力更擅长于词或者短语的翻译。那时候的翻译通常会将一句话打断为一系列的片段,随后通过复杂的程序逻辑对每一个片段进行翻译,最终组合在一起。所得到的翻译结果应当说似是而非,最大的问题是可读性和连贯性非常差。 实际从机器学习的观点来讲,这种翻译方式,也不符合人类在做语言翻译时所做的动作。其实以神经网络为代表的机器学习,更多的都是在“模仿”人类的行为习惯。 一名职业翻译通常是这样做:首先完整听懂要翻译的语句,将语义充分理解,随后把理解到的内容,用目标语言复述出来。 而现在的机器翻译,也正是这样做的,谷歌的seq2seq是这一模式的开创者。 如果用计算机科学的语言来说,这一过程很像一个编解码过程。原始的语句进入编码器,得到一组用于代表原始语句“内涵”的数组。这些数组中的数字就是原始语句所代表的含义,只是这个含义人类无法读懂,是需要由神经网络模型去理解的。随后解码过程,将“有含义的数字”解码为对应的目标语言。从而完成整个翻译过程。这样的得到的翻译结果,非常流畅,具有更好的可读性。
俺踏月色而来
2019-05-14
724
0
TensorFlow从1到2(九)迁移学习
迁移学习
机器学习
神经网络
深度学习
人工智能
迁移学习是这两年比较火的一个话题,主要原因是在当前的机器学习中,样本数据的获取是成本最高的一块。而迁移学习可以有效的把原有的学习经验(对于模型就是模型本身及其训练好的权重值)带入到新的领域,从而不需要过多的样本数据,也能达到大批量数据所达成的效果,进一步节省了学习的计算量和时间。
俺踏月色而来
2019-05-10
1.8K
0
TensorFlow从1到2(六)结构化数据预处理和心脏病预测
机器学习
神经网络
深度学习
人工智能
tensorflow
前面所展示的一些示例已经很让人兴奋。但从总体看,数据类型还是比较单一的,比如图片,比如文本。 这个单一并非指数据的类型单一,而是指数据组成的每一部分,在模型中对于结果预测的影响基本是一致的。 更通俗一点说,比如在手写数字识别的案例中,图片坐标(10,10)的点、(14,14)的点、(20,20)的点,对于最终的识别结果的影响,基本是同一个维度。 再比如在影评中,第10个单词、第20个单词、第30个单词,对于最终结果的影响,也在同一个维度。 是的,这里指的是数据在维度上的不同。在某些问题中,数据集中的不同数据,对于结果的影响维度完全不同。这是数据所代表的属性意义不同所决定的。这种情况在《从锅炉工到AI专家(2)》一文中我们做了简单描述,并讲述了使用规范化数据的方式在保持数据内涵的同时降低数据取值范围差异对于最终结果的负面影响。 随着机器学习应用范围的拓展,不同行业的不同问题,让此类情况出现的越加频繁。特别是在与大数据相连接的商业智能范畴,数据的来源、类型、维度,区别都很大。 在此我们使用心脏病预测的案例,对结构化数据的预处理做一个分享。
俺踏月色而来
2019-05-07
1.1K
0
TensorFlow从1到2(五)图片内容识别和自然语言语义识别
keras
tensorflow
神经网络
机器学习
深度学习
上一节我们讲过了完整的保存模型及其训练完成的参数。 Keras中使用这种方式,预置了多个著名的成熟神经网络模型。当然,这实际是Keras的功劳,并不适合算在TensorFlow 2.0头上。 当前TensorFlow 2.0-alpha版本捆绑的Keras中包含:
俺踏月色而来
2019-04-25
2.1K
0
macOS的OpenCL高性能计算
mac os
深度学习
区块链
随着深度学习、区块链的发展,人类对计算量的需求越来越高,在传统的计算模式下,压榨GPU的计算能力一直是重点。 NV系列的显卡在这方面走的比较快,CUDA框架已经普及到了高性能计算的各个方面,比如Google的TensorFlow深度学习框架,默认内置了支持CUDA的GPU计算。 AMD(ATI)及其它显卡在这方面似乎一直不够给力,在CUDA退出后仓促应对,使用了开放式的OPENCL架构,其中对CUDA应当说有不少的模仿。开放架构本来是一件好事,但OPENCL的发展一直不尽人意。而且为了兼容更多的显卡
俺踏月色而来
2018-06-20
2.1K
0
量子计算及量子计算的模拟
存储
编程算法
深度学习
IT是一个繁荣的行业,寄托着无数人的梦想,充斥着无数的造梦神话。 IT是一个悲催的行业,层出不穷的新概念让人应接不暇,几乎只要有一天不学习,都可能让你寝食不安。 量子计算机是一个炒的比较热的概念,目前还处于上升期,感觉上已经到了爆发的边缘,似乎随时可以呼之欲出。 通常对于量子计算机的理解就是,因为量子计算机的存储特征,可以处理很大的数据,而不是像传统计算机那样只是处理1、0二进制数,因此计算效率更高。从而有可能颠覆现有的计算机架构,甚至现有的所有的加密算法,因为新的、高速的量子计算机的出现,都将因为
俺踏月色而来
2018-06-20
1.4K
0
从锅炉工到AI专家(4)
人工智能
图像识别
深度学习
tensorflow
机器学习
手写数字识别问题 图像识别是深度学习众多主流应用之一,手写数字识别则是图像识别范畴简化版的入门学习经典案例。在TensorFlow的官方文档中,把手写数字识别“MNIST”案例称为机器学习项目的“Hello World”。从这个案例开始,我们的连载才开始有了一些“人工智能”的感觉。 问题的描述是这样: 有一批手写数字的图片,对应数字0-9。通过机器学习的算法,将这些图片对应到文本字符0-9。用通俗的话来说,就是计算机认出了图片上面手写的数字。 从问题描述可见这个机器学习项目的“Hello World”
俺踏月色而来
2018-06-20
672
0
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
立即查看
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