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

关于CNNs训练的几个简单问题

什么是CNNs？ CNNs（卷积神经网络）是一种深度学习模型，主要用于图像识别和计算机视觉任务。它通过多层卷积层和池化层来提取图像的特征，并通过全连接层进行分类或回归。CNNs具有自动学习特征的能力，能够在大规模数据集上进行训练，以提高图像识别的准确性。
CNNs的训练过程是怎样的？ CNNs的训练过程包括以下几个步骤：
数据准备：收集并准备训练数据集，包括图像数据和对应的标签。
网络设计：设计CNNs的结构，包括卷积层、池化层、全连接层等。
前向传播：将输入图像通过网络，逐层计算并生成输出结果。
损失计算：将网络输出与标签进行比较，计算损失函数来衡量网络输出的准确性。
反向传播：根据损失函数的梯度，逆向传播误差，并更新网络参数以最小化损失。
参数优化：使用优化算法（如梯度下降）调整网络参数，以提高网络性能。
迭代训练：重复以上步骤，直到达到预定的训练轮数或达到性能要求。
CNNs的优势是什么？ CNNs具有以下几个优势：
局部感知性：通过卷积操作，CNNs能够有效地捕捉图像中的局部特征，从而提高图像识别的准确性。
参数共享：CNNs中的卷积层使用相同的权重来处理输入的不同区域，减少了网络参数的数量，降低了过拟合的风险。
平移不变性：CNNs对图像的平移具有不变性，即无论物体在图像中的位置如何变化，网络仍能正确识别。
自动学习特征：CNNs能够通过训练数据自动学习图像的特征，无需手动设计特征提取器。
CNNs的应用场景有哪些？ CNNs广泛应用于计算机视觉领域，包括但不限于以下应用场景：
图像分类：通过训练CNNs，实现对图像进行分类，如识别动物、车辆、人脸等。
目标检测：利用CNNs检测图像中的目标物体，并标注其位置和类别。
人脸识别：通过CNNs提取人脸特征，实现人脸识别和身份验证。
图像生成：利用CNNs生成逼真的图像，如图像超分辨率、图像风格转换等。
视频分析：通过CNNs对视频进行分析，如行为识别、动作检测等。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI智能图像识别：https://cloud.tencent.com/product/ai-image
腾讯云人脸识别：https://cloud.tencent.com/product/fr
腾讯云视频智能分析：https://cloud.tencent.com/product/vca

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

详解分析 | ViT如何在医疗图像领域替代CNNs？

在自动医学图像诊断的领域中卷积神经网络(CNN)方法已经统治了将近十年之久。最近，vision transformers(ViTs)作为CNN的一个有竞争力的替代方法出现了，它具有差不多的性能，同时还具有一些有趣的特性，同时也已经被证明对医学成像任务有益。

03

详解分析 | ViT如何在医疗图像领域替代CNNs？

在自动医学图像诊断的领域中卷积神经网络(CNN)方法已经统治了将近十年之久。最近，vision transformers(ViTs)作为CNN的一个有竞争力的替代方法出现了，它具有差不多的性能，同时还具有一些有趣的特性，同时也已经被证明对医学成像任务有益。

02

一文看尽12种Dropout及其变体

深入了解DNNs，CNNs以及RNNs中的Dropout来进行正则化，蒙特卡洛不确定性和模型压缩的方法。

02

应用 | CNN在自然语言处理中的应用

当我们听到卷积神经网络（Convolutional Neural Network, CNNs）时，往往会联想到计算机视觉。CNNs在图像分类领域做出了巨大贡献，也是当今绝大多数计算机视觉系统的核心技术，从Facebook的图像自动标签到自动驾驶汽车都在使用。

02

卷积神经网络处理自然语言

当我们听到卷积神经网络（Convolutional Neural Network, CNNs）时，往往会联想到计算机视觉。CNNs在图像分类领域做出了巨大贡献，也是当今绝大多数计算机视觉系统的核心技术，从Facebook的图像自动标签到自动驾驶汽车都在使用。最近我们开始在自然语言处理（Natural Language Processing）领域应用CNNs，并取得了一些引人注目的成果。我将在本文中归纳什么是CNNs，怎样将它们应用于NLP。CNNs背后的直觉知识在计算机视觉的用例里更容易被理解，因此我就先

06

卷积神经网络在自然语言处理的应用

当我们听到卷积神经网络（Convolutional Neural Network, CNNs）时，往往会联想到计算机视觉。CNNs在图像分类领域做出了巨大贡献，也是当今绝大多数计算机视觉系统的核心技术，从Facebook的图像自动标签到自动驾驶汽车都在使用。最近我们开始在自然语言处理（Natural Language Processing）领域应用CNNs，并取得了一些引人注目的成果。我将在本文中归纳什么是CNNs，怎样将它们应用于NLP。CNNs背后的直觉知识在计算机视觉的用例里更容易被理解，因此我就先

01

胶囊网络为何如此热门？与卷积神经网络相比谁能更甚一筹？

编译 | AI科技大本营参与 | 孙士洁编辑 | 明明【AI科技大本营按】胶囊网络是什么？胶囊网络怎么能克服卷积神经网络的缺点和不足？机器学习顾问AurélienGéron发表了自己的看法。营长将文章内容翻译如下。胶囊网络（Capsule networks, CapsNets）是一种热门的新型神经网络架构，它可能会对深度学习特别是计算机视觉领域产生深远的影响。等一下，难道计算机视觉问题还没有被很好地解决吗？卷积神经网络（Convolutional neural networks,

04

计算机视觉中的Transformer

将Transformer应用到CV任务中现在越来越多了，这里整理了一些相关的进展给大家。

02

计算机视觉中的Transformer

将Transformer应用到CV任务中现在越来越多了，这里整理了一些相关的进展给大家。

03

ImageNet Classification with Deep Convolutional Neural Networks

我们训练了一个大型的深度卷积神经网络，将ImageNet lsvprc -2010竞赛中的120万幅高分辨率图像分成1000个不同的类。在测试数据上，我们实现了top-1名的错误率为37.5%，top-5名的错误率为17.0%，大大优于之前的水平。该神经网络有6000万个参数和65万个神经元，由5个卷积层和3个完全连接的层组成，其中一些卷积层之后是最大汇聚层，最后是1000路softmax。为了使训练更快，我们使用了非饱和神经元和一个非常高效的GPU实现卷积运算。为了减少全连通层的过拟合，我们采用了最近开发的正则化方法“dropout”，该方法被证明是非常有效的。在ILSVRC-2012比赛中，我们也加入了该模型的一个变体，并获得了15.3%的前5名测试错误率，而第二名获得了26.2%的错误率。

04

Deep Learning for Computer Vision: A Brief Review

在过去的几年里，深度学习方法在几个领域的表现都超过了以往的机器学习技术，其中最突出的一个例子就是计算机视觉。这篇综述文章简要介绍了计算机视觉问题中最重要的一些深度学习方案，即卷积神经网络、深度玻尔兹曼机和深度信念网络，以及叠加去噪自编码器。简要介绍了它们的历史、结构、优点和局限性，然后介绍了它们在各种计算机视觉任务中的应用，如对象检测、人脸识别、动作和活动识别以及人体姿态估计。最后，简要介绍了未来计算机视觉问题深度学习方案的设计方向和面临的挑战。

01

判别特征学习方法用于人脸识别

最近因为博主科研繁忙，没有时间更新，在此向所有关注的您说一声对不起！希望没有计算机视觉战队大家依然科研顺利，生活愉快，也希望大家时刻关注我们的平台，宣传计算机视觉战队，谢谢！ ---- 今天我来给大家讲讲人脸识别的一些小事，希望您能有些收获，谢谢！ n 主要内容卷积神经网络（CNN）已广泛地用于计算机视觉领域，显著地提高了先进的方法。在大多数的CNNs中，softmax损失函数被作为监督信号去训练深度模型。为了增强深度学习特征的判别力，提出一种新的监督信号，称为中心损失，用于人脸识别任务。中心损失同时学

05

判别特征的学习方法用于人脸识别（文末源码）

最近因为比较繁忙，没有及时在“计算机视觉战队”平台更新，在此向所有关注的同学说一声抱歉！希望这段日子大家依然科研顺利，生活愉快，嘿嘿！

02

人群密度估计

CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes CVPR2018

03

判别特征学习方法用于人脸识别

最近因为博主科研繁忙，没有时间更新，在此向所有关注的您说一声对不起！希望没有ComputerVisionGzq 大家依然科研顺利，生活愉快，嘿嘿！今天我来给大家讲讲人脸识别的一些小事，希望您能有些收

03

Tensorflow的CNNs模型实战：根据短文本对企业分类

2017年4月17号AI100发布了为期一个月的文本分类练习赛 http://competition.ai100.com.cn/html/game_det.html?id=24&tab=2 ，数据

08

干货 | 数据科学和机器学习面试问题集锦

在过去的几个月里，我面试了许多公司涉及数据科学和机器学习的初级职位。介绍一下我自己，以让你对我有一定了解。我还有最后几个月就研究生毕业，我的硕士是机器学习和计算机视觉，我之前的大部分经验是研究/学术，但在一个早期创业公司待过8个月(与机器学习无关)。这些角色包括数据科学、通用机器学习和专精自然语言处理及计算机视觉。我面试过亚马逊、特斯拉、三星、优步、华为等大公司，也面试过很多从初创阶段到资金雄厚的初创公司。

02

人工智能「建筑师」之由手绘生成3D模型

这是论文《 Interactive Sketching of Urban Procedural Models 》的解读，主要以解读实现思路为主。 * 使用流程：根据用户勾画的草图，系统自动生成3D的

08

【深度学习】深度学习

深度学习的起源深度学习（Deep Learning）是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习属于无监督学习。深度学习的概念源于人工神经网络的研究。深度学习是相对于简单学习而言的，目前多数分类、回归等学习算法都属于简单学习，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从

07

Mariana CNN 并行框架与图像识别

本文是腾讯深度学习系列文章的第三篇，聚焦于腾讯深度学习平台Mariana中深度卷积神经网络Deep CNNs的多GPU模型并行和数据并行框架。将深度卷积神经网络（Convolutional Neural Networks, 简称CNNs）用于图像识别在研究领域吸引着越来越多目光。由于卷积神经网络结构非常适合模型并行的训练，因此以模型并行+数据并行的方式来加速Deep CNNs训练，可预期取得较大收获。Deep CNNs的单机多GPU模型并行和数据并行框架是Mariana的一部分，Mariana技术团队

07

数据科学和机器学习面试问题集锦

在过去的几个月里，我面试了许多公司涉及数据科学和机器学习的初级职位。介绍一下我自己，以让你对我有一定了解。我还有最后几个月就研究生毕业，我的硕士是机器学习和计算机视觉，我之前的大部分经验是研究/学术，但在一个早期创业公司待过8个月(与机器学习无关)。这些角色包括数据科学、通用机器学习和专精自然语言处理及计算机视觉。我面试过亚马逊、特斯拉、三星、优步、华为等大公司，也面试过很多从初创阶段到资金雄厚的初创公司。

01

深度卷积神经网络 CNNs 的多 GPU 并行框架及其在图像识别的应用

将深度卷积神经网络（Convolutional Neural Networks, 简称CNNs）用于图像识别在研究领域吸引着越来越多目光。由于卷积神经网络结构非常适合模型并行的训练，因此以模型并行+数据并行的方式来加速Deep CNNs训练，可预期取得较大收获。Deep CNNs的单机多GPU模型并行和数据并行框架是腾讯深度学习平台的一部分，腾讯深度学习平台技术团队实现了模型并行和数据并行技术加速Deep CNNs训练，证实模型拆分对减少单GPU上显存占用有效，并且在加速比指标上得到显著收益，同时可

05

手势识别：使用标准2D摄像机建立一个强大的的手势识别系统

手势和语言一样，是人类交流的一种自然形式。事实上，它们可能是最自然的表达方式。进化研究表明，人类语言是从手势开始的，而不是声音。另一个证明就是婴儿在学会说话之前，使用手势来传达情感和欲望。许多科技公

07

【练习赛】文本分类参赛总结

为期一个月的 AI100 金融文本分类练习赛完美收官啦！感谢小伙伴们的热情参与。经过两周的策划与筹备，本次练习赛于4月18日正式上线，一共有25支参赛队伍，405次成绩提交。小伙伴们都表现得相当不错，大部分团队都取得了很好的成绩。其中，取得第一名的“凡人哥”小伙伴，为大家无私分享了赛经，不光有算法模型分析，还有提升建议哦。 ▌引言 1.1 队伍简介队伍名“读机器学习日报长大的”，三位成员分别是“凡人哥”、“雨辰酱”和“yuye2311”，均来自苏州大学自然语言处理实验室。 1.2 任务简介

06

ubuntu matlab中安装MatConvNet工具箱（支持GPU，mexcuda报错问题）

MatConvNet is a MATLAB toolbox implementing Convolutional Neural Networks (CNNs) for computer vision applications. It is simple, efficient, and can run and learn state-of-the-art CNNs. Many pre-trained CNNs for image classification, segmentation, face recognition, and text detection are available.

03

无论如何，这是哪条鲸鱼？利用深度学习对鲸鱼进行人脸识别

“正确的鲸鱼识别”是一个由NOAA Fisheries在Kaggle.com数据科学平台上组织的计算机视觉竞赛。我们在deepsense.io的机器学习团队已经在竞赛中获得了第一名！在这篇文章中，我们将描述了我们的解决方案

05

深度学习（Deep Learning）是否已经让传统的机器学习无用了？

作者：威廉·沃海思（William Vorhies）编译： AI100 原文地址： http://www.datasciencecentral.com/m/blogpost?id=6448529

06

2019校招面试必备，15个CNN关键回答集锦【必收藏】

关于利用卷积神经网络作为视觉系统的模型是否有生物学理论支持，目前仍然存在许多质疑之声。本文作者通过多年在计算神经领域的经验，以问答的形式详细阐述了CNN与神经科学的种种关联。

02

Rich feature hierarchies for accurate object detection and semantic segmentation

在PASCAL VOC标准数据集上测量的目标检测性能在最近几年趋于稳定。性能最好的方法是复杂的集成系统，它通常将多个低层图像特性与高层上下文结合起来。在本文中，我们提出了一种简单、可扩展的检测算法，相对于之前VOC 2012的最佳检测结果，平均平均精度(mAP)提高了30%以上，达到了53.3%。我们的方法结合了两个关键的方法：(1)为了定位和分割目标，可以一次将高容量应用卷积神经网络(cnn)自下而上的区域建议(2)标记的训练数据稀缺时，监督为辅助训练的任务，其次是特定于域的微调,收益率显著的性能提升。由于我们将区域建议与CNNs相结合，我们将我们的方法称为R-CNN:具有CNN特性的区域。我们还将R-CNN与OverFeat进行了比较，OverFeat是最近提出的一种基于类似CNN架构的滑动窗口检测器。在200类ILSVRC2013检测数据集上，我们发现R-CNN比OverFeat有较大的优势。

02

【实践操作】：六步教你如何用开源框架Tensorflow对象检测API构建一个玩具检测器

TensorFlow对象检测API是一个建立在TensorFlow之上的开源框架，可以轻松构建，训练和部署对象检测模型。到目前为止，API的性能给我留下了深刻的印象。在这篇文章中，我将API的对象设

08

keras教程：卷积神经网络（CNNs）终极入门指南

本篇教程将会手把手教你使用keras搭建卷积神经网络（CNNs）。为了使你能够更快地搭建属于自己的模型，这里并不涉及有关CNNs的原理及数学公式，感兴趣的同学可以查阅《吊炸天的CNNs，这是我见过最详尽的图解！》写在程序之前：为了学习得更快，一些背景知识需要你了解 • 最常见的CNNs架构 📷 上述模式，是一个最为常见的卷积网络架构模式。如果上述链条理解起来比较吃力，你可以到这里恶补下基础知识。我们后面的代码，都是遵循上述模式来编写的。 • MNIST 数据集在MN

06

二值网络--Bi-Real Net: Enhancing the Performance of 1-bit CNNs

Bi-Real Net: Enhancing the Performance of 1-bit CNNs With Improved Representational Capability and Advanced Training Algorithm ECCV2018 https://github.com/liuzechun/Bi-Real-net

02

【翻译】A New Approach for Sparse Matrix Classification Based on Deep Learning Techniques

2018 IEEE International Conference on Cluster Computing

02

常被误解的DCGAN

近年来，通过卷积网络（CNN）进行监督学习的方法已在计算机视觉应用中得到了广泛采用。相比之下，CNN的无监督学习受到的关注较少。在这项工作中，我们希望帮助缩小CNN在监督学习与无监督学习之间的差距。我们介绍一种遵循着一些网络结构设计约束的深度卷积生成对抗网络（DCGAN），并证明它是无监督学习的强大候选者。在各种图像数据集上的训练结果令人信服，即深度卷积生成器和判别器都学习到了从对象局部到场景的特征层次结构。此外，我们将学习到的特征用于新颖的任务——这更进一步展示了其作为通用图像特征表示的适用性。

02

今日 Paper | 从纯图像重建世界；层次递归网络序列；注意力神经网络；命名实体识别等

论文名称：TRANSFER LEARNING FOR SEQUENCE TAGGING WITH HIERARCHICAL RECURRENT NETWORKS

01

分类、检测、分割任务均有SOTA表现，ACNet有多强？

本文提出了一种新的自适应连接神经网络(ACNet)，从两个方面对传统的卷积神经网络(CNNs)进行了改进。首先，ACNet通过自适应地确定特征节点之间的连接状态，在处理内部特征表示时可以灵活地切换全局推理和局部推理。从这个角度来说，现有的很多CNN模型，经典的多层感知器MLP以及最近（2017）提出的NLN（Non-local Neural Networks），都是ACNet的特殊形式。其次，ACNet还能够处理非欧几里德数据（ non-Euclidean data，关于非欧几里得数据，下文会有解释)。实验证明，ACNet不仅在分类、检测、分割任务上都有SOTA表现，而且还可以克服传统MLP和CNN的一些缺点。

00

一文看尽深度学习中的20种卷积（附源码整理和论文解读）

卷积，是卷积神经网络中最重要的组件之一。不同的卷积结构有着不一样的功能，但本质上都是用于提取特征。比如，在传统图像处理中，人们通过设定不同的算子来提取诸如边缘、水平、垂直等固定的特征。而在卷积神经网络中，仅需要随机初始化一个固定卷积核大小的滤波器，并通过诸如反向传播的技术来实现卷积核参数的自动更新即可。其中，浅层的滤波器对诸如点、线、面等底层特征比较敏感，深层的滤波器则可以用于提取更加抽象的高级语义特征，以完成从低级特征到高级特征的映射。本文将从背景、原理、特性及改进四个维度分别梳理10篇影响力深远的经典卷积模块以及10篇具有代表性的卷积变体，使读者对卷积的发展脉络有一个更加清晰的认知。

03

AAAI 2022 | 无注意力+PatchOut，复旦大学提出面向视觉transformer的迁移攻击方法

与卷积神经网络（CNN）相比，Vision transformers（ViTs）在一系列计算机视觉任务中表现出惊人的性能。然而，ViTs 容易受到来自对抗样本的攻击。在人的视角中，对抗样本与干净样本几乎没有区别，但其包含可以导致错误预测的对抗噪声。此外，对抗样本的迁移性允许在可完全访问的模型（白盒模型）上生成对抗样本来攻击结构等信息未知的模型（黑盒模型）。

02

卷积神经网络

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。

03

【医学图像分割】开源 | OSS-Nets支持高效内存和精确的3D医疗数据语义分割，可以扩展到高分辨率！

论文地址： http://arxiv.org/pdf/2110.10640v1.pdf

01

每日学术速递4.13(全新改版)

作者：Francesco Ballerini, Pierluigi Zama Ramirez, Roberto Mirabella, Samuele Salti, Luigi Di Stefano

01

有关胶囊网络你所应知道的一切

在使用卷积神经网络（CNNs）解决计算机视觉任务的时候，视角的改变（角度、位置、剪应力等等）很大程度上会造成网络表现的剧烈波动，从而限制了模型的泛化能力。有鉴于此，一般 CNN 网络都会有海量参数，辅以大规模数据和超强算力来勉强应对。

04

CNN不用乘法? AdderNet和DeepShift论文理解

本文首发于我的知乎：https://zhuanlan.zhihu.com/p/104753473

02

传输丰富的特征层次结构以实现稳健的视觉跟踪

论文地址：https://arxiv.org/pdf/1501.04587.pdf

04

手撕深度学习算法（2）：轻撕CNN

总结第一节课昨天我们手撕深度学习算法讲坛开始，第一节内容是关于SVM算法（手撕深度学习算法开讲：先简单撕撕SVM ）我总结了大家提的问题： A.第一节课SVM太短了，才十分钟：老师回答：这个只是概括讲解一下。SVM 的部份，我們會再找個時間拍完整的手撕式，时长会是12小时 B.SVM处理大规模数据，如果我们分类效果不好，加入海量训练脚本，能有显著提升吗？会不会加入海量训练脚本只能少量提升？还是应该用更多的精力提取更多有用特征？老师回答：加入海量訓練樣本都能夠提升分類的精度，前提是訓練的資料特徵必須

09

更丰富的卷积特征用于目标边缘检测（文末附有论文及源码下载）

边缘检测是计算机视觉中的一个基本问题。近年来，卷积神经网络(CNNs)的出现极大地推动了这一领域的发展。现有的方法采用特定的深层CNN，但由于尺度和纵横比的变化，可能无法捕捉到复杂的数据结构。今天分享的paper提出了一种利用更丰富的卷积特征(RCF)来精确的边缘检测方法。

01

独家 | 利用OpenCV和深度学习来实现人类活动识别（附链接）

我们实现的人类活动识别模型可以识别超过400类活动，其中准确率在78.4-94.5%之间（取决于任务类别）。比如，活动类别的可包括：

04

AD分类论文研读（1）

原文链接摘要将cv用于研究需要大量的训练图片，同时需要对深层网络的体系结构进行仔细优化。该研究尝试用转移学习来解决这些问题，使用从大基准数据集组成的自然图像得到的预训练权重来初始化最先进的VGG和Inception结构，使用少量的MRI图像来重新训练全连接层。采用图像熵选择最翔实的切片训练，通过对OASIS MRI数据集的实验，他们发现，在训练规模比现有技术小近10倍的情况下，他们的性能与现有的基于深层学习的方法相当，甚至更好介绍 AD的早期诊断可以通过机器学习自动分析MRI图像来实现。从头开始训练一个网络需要大量的资源并且可能结果还不够好，这时候可以选择使用微调一个深度网络来进行转移学习而不是重新训练的方法可能会更好。该研究使用VGG16和Inception两个流行的CNN架构来进行转移学习。结果表明，尽管架构是在不同的领域进行的训练，但是当智能地选择训练数据时，预训练权值对AD诊断仍然具有很好的泛化能力由于研究的目标是在小训练集上测试转移学习的鲁棒性，因此仅仅随机选择训练数据可能无法为其提供表示MRI足够结构变化的数据集。所以，他们选择通过图像熵提供最大信息量的训练数据。结果表明，通过智能训练选择和转移学习，可以达到与从无到有以最小参数优化训练深层网络相当甚至更好的性能方法 CNN的核心是从输入图像中抽取特征的卷积层，卷积层中的每个节点与空间连接的神经元的小子集相连，为了减少计算的复杂性，一个最大池化层会紧随着卷积层，多对卷积层和池化层之后会跟着一个全连接层，全连接层学习由卷积层抽取出来的特征的非线性关系，最后是一个soft-max层，它将输出归一化到期望的水准因为小的数据集可能会使损失函数陷入local minima，该研究使用转移性学习的方法来尽量规避这种情况，即使用大量相同或不同领域的数据来初始化网络，仅使用训练数据来重新训练最后的全连接层研究中使用两个流行的架构： VGG16

04

爆款论文提出简单循环单元SRU：像CNN一样快速训练RNN（附开源代码）

选自arXiv 机器之心编译机器之心编辑部近日，一篇题为《Training RNNs as Fast as CNNs》的 arXiv 论文通过有意简化状态计算并展现更多的并行性而提出了一个替代

如果卷积神经网络存在根本性的缺陷，你会怎么看?

经过一段漫长时期的沉寂之后，人工智能正在进入一个蓬勃发展的新时期，这主要得益于深度学习和人工神经网络近年来取得的长足发展。更准确地说，人们对深度学习产生的新的兴趣在很大程度上要归功于卷积神经网络（CNNs）的成功，卷积神经网络是一种特别擅长处理视觉数据的神经网络结构。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭