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

CV学习史

专栏作者

84

文章

91013

阅读量

19

订阅数

决策树机器学习神经网络深度学习人工智能

【举例 1】全排列问题：给定一个没有重复数字的序列，返回其所有可能的全排列。

2022-05-10

3090

编程算法神经网络

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications MobileNetV2: Inverted Residuals and Linear Bottlenecks

2019-12-02

4320

欠拟合和过拟合出现原因及解决方案

机器学习神经网络深度学习人工智能

机器学习的基本问题是利用模型对数据进行拟合，学习的目的并非是对有限训练集进行正确预测，而是对未曾在训练集合出现的样本能够正确预测。模型对训练集数据的误差称为经验误差，对测试集数据的误差称为泛化误差。模型对训练集以外样本的预测能力就称为模型的泛化能力，追求这种泛化能力始终是机器学习的目标

2019-09-10

2K0

AD预测论文研读系列2

神经网络机器学习人工智能深度学习

多模生物学、影像学和神经心理学标记物已经展示了区分阿尔茨海默病（AD）患者和认知正常的老年人的良好表现。然而，早期预测轻度认知功能障碍（MCI）患者何时和哪些会转变为AD痴呆仍然困难。通过模式分类研究表明，基于纵向数据的模式分类器比基于横截面数据的模式分类器具有更好的分类性能。研究人员开发了一个基于递归神经网络（RNN）的深度学习模型，以学习纵向数据的信息表示和时间动态。将个体受试者的纵向认知测量，与基线海马MRI相结合，建立AD痴呆进展的预后模型。大量MCI受试者的实验结果表明，深度学习模型可以从纵向数据中学习信息性测量，以描述MCI受试者发展为AD痴呆的过程，并且预测模型可以以高精度在早期预测AD进展。最近的研究表明，如果使用纵向而非横截面数据构建分类器，可以获得更好的性能

2019-09-10

6560

DenseNet 论文阅读笔记

编程算法神经网络

研究表明，如果卷积网络在接近输入和接近输出地层之间包含较短地连接，那么，该网络可以显著地加深，变得更精确并且能够更有效地训练。该论文基于这个观察提出了以前馈地方式将每个层与其它层连接地密集卷积网络(DenseNet)

2019-09-10

5950

利用卷积神经网络进行阿尔茨海默病分类的神经影像模式融合论文研读笔记

深度学习机器学习人工智能神经网络编程算法

阿尔茨海默病（AD）分类的自动化方法具有巨大的临床益处，并可为防治该疾病提供见解。深层神经网络算法通常使用诸如MRI和PET的神经学成像数据，但是还没有对这些模式进行全面和平衡的比较。为了准确确定每个成像变体的相对强度，本研究使用阿尔茨海默病神经成像倡议（ADNI）数据集在阿尔茨海默病痴呆分类的背景下进行比较研究。此外，本文还分析了在融合环境中使用这两种模式的益处，并讨论了在未来使用深度学习的AD研究中如何利用这些数据类型

2019-09-10

1.3K1

ResNet 论文研读笔记

编程算法神经网络

深度神经网络很难去训练，本文提出了一个残差学习框架来简化那些非常深的网络的训练，该框架使得层能根据其输入来学习残差函数而非原始函数。本文提出证据表明，这些残差网络的优化更简单，而且通过增加深度来获得更高的准确率

2019-09-10

6360

GoogLeNetv1 论文研读笔记

深度学习机器学习人工智能神经网络

研究提出了一个名为“Inception”的深度卷积神经网结构，其目标是将分类、识别ILSVRC14数据集的技术水平提高一个层次。这一结构的主要特征是对网络内部计算资源的利用进行了优化。这一目标的实现是通过细致的设计，使得在保持计算消耗稳定不变的同时增加网络的宽度与深度

2019-09-10

4490

GoogLeNetv2 论文研读笔记

神经网络批量计算

当前神经网络层之前的神经网络层的参数变化，引起神经网络每一层输入数据的分布产生了变化，这使得训练一个深度神经网络变得复杂。这样就要求使用更小的学习率，参数初始化也需要更为谨慎的设置。并且由于非线性饱和（注：如sigmoid激活函数的非线性饱和问题），训练一个深度神经网络会非常困难。我们称这个现象为：internal covariate shift。同时利用归一化层输入解决这个问题。我们将归一化层输入作为神经网络的结构，并且对每一个小批量训练数据执行这一操作。Batch Normalization（BN）能使用更高的学习率，并且不需要过多地注重参数初始化问题。BN 的过程与正则化相似，在某些情况下可以去除Dropout

2019-09-10

6990

VGG 论文研读

神经网络卷积神经网络

摘要研究主要贡献是通过非常小的3x3卷积核的神经网络架构全面评估了增加深度对网络的影响，结果表明16-19层的网络可以使现有设置的网络性能得到显著提高

2019-09-10

6420

Deep learning with Python 学习笔记（11）

卷积神经网络神经网络深度学习机器学习人工智能

机器学习（machine learning）是人工智能的一个特殊子领域，其目标是仅靠观察训练数据来自动开发程序［即模型（model）］。将数据转换为程序的这个过程叫作学习（learning）

2019-09-10

4800

Deep learning with Python 学习笔记（7）

机器学习神经网络深度学习人工智能卷积神经网络

卷积神经网络能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。对于某些序列处理问题，这种一维卷积神经网络的效果可以媲美 RNN，而且计算代价通常要小很多，并且，对于文本分类和时间序列预测等简单任务，小型的一维卷积神经网络可以替代 RNN，而且速度更快

2019-09-10

6740

Deep learning with Python 学习笔记（5）

深度学习神经网络

用于处理序列的两种基本的深度学习算法分别是循环神经网络（recurrent neural network）和一维卷积神经网络（1D convnet）与其他所有神经网络一样，深度学习模型不会接收原始文本作为输入，它只能处理数值张量。文本向量化（vectorize）是指将文本转换为数值张量的过程。它有多种实现方法

2019-09-10

6390

Deep learning with Python 学习笔记（3）

神经网络卷积神经网络

想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。预训练网络(pretrained network)是一个保存好的网络，之前已在大型数据集(通常是大规模图像分类任务)上训练好

2019-09-10

5580

Deep learning with Python 学习笔记（1）

数据处理 keras 神经网络机器学习深度学习

Python 的 Keras 库来学习手写数字分类，将手写数字的灰度图像(28 像素 ×28 像素)划分到 10 个类别中(0~9) 神经网络的核心组件是层(layer),它是一种数据处理模块，它从输入数据中提取表示，紧接着的一个例子中，将含有两个Dense 层,它们是密集连接(也叫全连接)的神经层，最后是一个10路的softmax层，它将返回一个由 10 个概率值(总和为 1)组成的数组。每个概率值表示当前数字图像属于 10 个数字类别中某一个的概率损失函数(loss function):网络如何衡量在训练数据上的性能,即网络如何朝着正确的方向前进优化器(optimizer):基于训练数据和损失函数来更新网络的机制

2019-09-10

1.4K0

TensorFlow-实战Google深度学习框架笔记（上）

tensorflow 神经网络编程算法 css

TensorFlow 是一种采用数据流图（data flow graphs），用于数值计算的开源软件库。在 Tensorflow 中，所有不同的变量和运算都是储存在计算图，所以在我们构建完模型所需要的图之后，还需要打开一个会话（Session）来运行整个计算图通常使用import tensorflow as tf来载入TensorFlow 在TensorFlow程序中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数可以获取当前默认的计算图。除了使用默认的计算图，可以使用tf.Graph函数来生成新的计算图，不同计算图上的张量和运算不会共享在TensorFlow程序中，所有数据都通过张量的形式表示，张量可以简单的理解为多维数组，而张量在TensorFlow中的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。即在张量中没有真正保存数字，而是如何得到这些数字的计算过程如果对变量进行赋值的时候不指定类型，TensorFlow会给出默认的类型，同时在进行运算的时候，不会进行自动类型转换会话(session)拥有并管理TensorFlow程序运行时的所有资源，所有计算完成之后需要关闭会话来帮助系统回收资源，否则可能会出现资源泄漏问题一个简单的计算过程：

2019-09-10

5850

数据分析机器学习神经网络深度学习人工智能

在机器学习中经常会碰到一些高维的数据集，而在高维数据情形下会出现数据样本稀疏，距离计算等困难，这类问题是所有机器学习方法共同面临的严重问题，称之为“ 维度灾难 ”。另外在高维特征中容易出现特征之间的线性相关，这也就意味着有的特征是冗余存在的。基于这些问题，降维思想就出现了。

2019-09-05

8520

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