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

在连接深度特征向量和手工提取向量之后，我是否可以使用最终池化层来找到最好的公共特征？

在连接深度特征向量和手工提取向量之后，使用最终池化层可以帮助我们找到最好的公共特征。

最终池化层是一种常用的特征汇聚方法，通过对连接后的特征向量进行池化操作，将其降维为定长的向量表示。这样做的好处是可以减少特征维度，提高计算效率，并且更有利于后续的分类、聚类或其他机器学习任务。

最终池化层的选择与具体应用场景有关。常用的池化方法包括平均池化和最大池化。平均池化对特征向量进行平均操作，将所有特征的平均值作为汇聚后的特征表示；最大池化则选择特征向量中的最大值作为汇聚后的特征。

最终池化层的选择还可以考虑使用降维技术，如主成分分析（PCA）或线性判别分析（LDA），以进一步提取特征向量中的重要信息。

在腾讯云中，可以使用腾讯云的机器学习平台AI Lab（https://cloud.tencent.com/product/tfhub）提供的相关服务来实现最终池化层。该平台提供了丰富的机器学习工具和算法库，可以方便地进行特征提取、特征汇聚和模型训练等操作。

总之，通过连接深度特征向量和手工提取向量，并使用最终池化层来找到最好的公共特征，可以提高特征表达的效果，为后续的机器学习任务提供更好的输入。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

图像质量评估|调研

作为视觉生物，人类对视觉信号损耗(例如块状，模糊，嘈杂和传输损耗)敏感。因此，我将研究重点放在发现图像质量如何影响Web应用程序中的用户行为上。最近，一些研究测试了低质量图像在网站上的影响。康奈尔大学[4]证明了低质量的图像会对用户体验，网站转换率，人们在网站上停留多长时间以及信任/信誉产生负面影响。他们使用由LetGo.com提供的公开数据集训练的深度神经网络模型。目的是衡量图像质量对销售和感知到的信任度的影响，但是他们无法衡量图像质量对可信赖性的影响。

00

特征工程(七)：图像特征提取和深度学习

有趣的是，机器学习的情况是相反的。我们已经在文本分析应用方面取得了比图像或音频更多的进展。以搜索问题为例。人们在信息检索和文本检索方面已经取得了相当多年的成功，而图像和音频搜索仍在不断完善。在过去五年中，深度学习模式的突破最终预示着期待已久的图像和语音分析的革命。

01

Milvus 实战 | 基于 Milvus 的图像查重系统

由于巨大的利益，论文造假屡见不鲜，在部分国家或地区甚至形成了论文造假的产业链。目前大部分论文查重系统只能检查论文文字，不能检查图片。因此，论文图片查重已然成为了学术论文原创性检测的重要部分。

01

Fast-RCNN阅读笔记系统架构模型训练

由于RCNN存在流水线过长，检测速度慢的问题，Fast-RCNN几乎将整个过程置于深度学习的框架下，因此带来了准确率和速度的提升，该系统主要组成部分如上图所示，有：

01

SPPNet总结

RCNN使用CNN作为特征提取器，首次使得目标检测跨入深度学习的阶段。但是在RCNN中，因为全连接层的神经元个数是固定的（权重矩阵的维数是固定的），所以采取对于每一个区域候选都需要首先将图片放缩到固定尺寸（227×227），然后为每个区域候选提取CNN特征的方案。这里存在两个瓶颈，第一重复为每个region proposal提取特征是及其费时的，Selective Search对于每幅图片产生2k左右个region proposal，也就是意味着一幅图片需要经过2k次完整的CNN计算得到最终的结果。第二对于所有的region proposal放缩到固定尺寸会导致我们不期望看到的几何形变，而且由于速度瓶颈的存在，不可能采用多尺度或者是大量的数据增强去训练模型，这就导致它的性能必然较差。

02

如何在深度学习结构中使用纹理特征

这是前一篇文章的继续，在这第篇文章中，我们将讨论纹理分析在图像分类中的重要性，以及如何在深度学习中使用纹理分析。

03

使用Keras进行深度学习：（三）使用text-CNN处理自然语言（下）

前言:在上一篇文章中，已经介绍了Keras对文本数据进行预处理的一般步骤。预处理完之后，就可以使用深度学习中的一些模型进行文本分类。在这篇文章中，将介绍text-CNN模型以及使用该模型对imdb影评数据集进行情感分析。正如上篇文章所说，文本分类的关键在于准确提炼文档或者句子的中心思想，而提炼中心思想的方法是抽取文档或句子的关键词作为特征，基于这些特征去训练分类器并分类。每个类别可以理解为一种中心思想，如情感分析中，分类器将样本分为两类，一类为正面评论，另一类为负面评论，而正面和负面评论正是该文本或句子的

04

目标检测指南

目标检测 (Object detection) 是一种计算机视觉技术，旨在检测汽车、建筑物和人类等目标。这些目标通常可以通过图像或视频来识别。

03

你好，这里有一份2019年目标检测指南

目标检测(Object detection)是一种计算机视觉技术，旨在检测汽车、建筑物和人类等目标。这些目标通常可以通过图像或视频来识别。

04

深度学习经典网络解析：8.R-CNN

目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所在位置，并完成对物体类别的识别。其准确性和实时性是整个系统的一项重要能力。

03

深入TextCNN（一）详述CNN及TextCNN原理

本文是本人所写的NLP基础任务——文本分类的【深入TextCNN】系列文章之一。【深入TextCNN】系列文章是结合PyTorch对TextCNN从理论到实战的详细教程。

06

图形搜索中用到的机器学习基础介绍

针对目标图像（具有统一特征的图像），进行基于深度学习技术的模型训练，通过调优模型结构与参数，得到对于指定图像具有提取特征信息的模型 M。将库中所有图像通过 M 提取出特征信息，并将特征信息存储在ceph 中，所有特征信息提取完成后，创建多叉树索引。当用户上传图片查找时，用 M 提取图片的特征信息，将提取的特征信息转换为索引树叶节点相同数据结构，用该数据在索引中查找到相似度符合要求的图片。

03

综述系列 | 多模态深度学习中的网络结构设计和模态融合方法汇总

多模态深度学习主要包含三个方面：多模态学习表征，多模态信号融合以及多模态应用，而本文主要关注计算机视觉和自然语言处理的相关融合方法，包括网络结构设计和模态融合方法（对于特定任务而言）。本文讲述了三种融合文本和图像的方法：基于简单操作的，基于注意力的，基于张量的方法。

03

教程 | 22分钟直冲Kaggle竞赛第二名！一文教你做到

选自微软机器学习博客机器之心编译参与：陈韵竹、路雪本文介绍了如何使用微软 DVSM、利用迁移学习技术在 20 多分钟时间内达到 Kaggle 猫狗识别竞赛的第二名的性能。引言几周前，我写了一

08

Milvus开源向量搜索引擎，轻松搭建以图搜图系统

当您听到“以图搜图”时，是否首先想到了百度、Google 等搜索引擎的以图搜图功能呢？事实上，您完全可以搭建一个属于自己的以图搜图系统：自己建立图片库；自己选择一张图片到库中进行搜索，并得到与其相似的若干图片。 Milvus 作为一款针对海量特征向量的相似性检索引擎，旨在助力分析日益庞大的非结构化数据，挖掘其背后蕴含的巨大价值。为了让 Milvus 能够应用于相似图片检索的场景，我们基于 Milvus 和图片特征提取模型 VGG 设计了一个以图搜图系统。正文分为数据准备、系统概览、 VGG 模型、API 介绍、镜像构建、系统部署、界面展示七个部分。数据准备章节介绍以图搜图系统的数据支持情况。系统概览章节展示系统的整体架构。 VGG 模型章节介绍了 VGG 的结构、特点、块结构以及权重参数。 API 介绍章节介绍系统的五个基础功能 API 的工作原理。镜像构建章节介绍如何通过源代码构建客户端和服务器端的 docker 镜像。系统部署章节展示如何三步搭建系统。界面展示章节会展示系统的搜索界面。

07

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

5.3 SPPNet

2、对于卷积网络来讲都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度。当遇到任意尺寸的图像是，都是先将图像适应成固定尺寸，方法包括裁剪和变形。裁剪会导致信息的丢失，变形会导致位置信息的扭曲，就会影响识别的精度。

01

深度学习笔记5-卷积神经网络的基本内容

一张图片在计算机中是以三个独立的矩阵存储的，对应于下图中的红色，绿色和蓝色通道。三个矩阵与图像大小相同，例如，下图中猫的图像的分辨率是64×64，三个矩阵（RGB）分别是64×64的大小。

02

论文阅读学习 - Fast R-CNN

R-CNN 采用深度网络来对 object proposals 分类以进行目标检测，其缺点如下：

06

目标检测算法发展简史

比起图像识别，现在图片生成技术要更加具有吸引力，但是要步入AIGC技术领域，首先不推荐一上来就接触那些已经成熟闭源的包装好了再提供给你的接口网站，会使用别人的模型生成一些图片就能叫自己会AIGC了吗？那样真正成为了搬运工了，而且是最廉价的。生成图片技术更多是根据一些基础的图像处理技术来演变而来，从最基础的图像处理技术学习，你就能明白图片生成是怎么一回事。最近看了很多关于目标检测的文章和博客，也在学习AIGC技术，从基础手工设计特征到如今的深度学习模型，二者技术发展历史其实可以说是有比较共同性的。

03

【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )

1 . 神经网络组成 : 由一组连接的输入和输出单元组成 , 每个连接都有一个权值 ( 系数 ) ;

01

目标检测——SPPNet【含全网最全翻译】「建议收藏」

论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 空间金字塔池化，大神何恺明于2014年写的paper: 论文地址：https://arxiv.org/pdf/1406.4729.pdf RCNN在2013年发表后，大佬在2014年提出了空间金字塔池化，性能和准确率都大幅提高，且在后面很多网络中都延续了这一思想。这篇文章比较长，我们也基于论文将其大体翻译了一下，伙伴们要耐心看呀！那么让我们一起开始学习吧！先放上大佬的照片来镇楼：

01

Bioinformatics | 通过在深度神经网络中应用局部和全局特征来预测蛋白质相互作用位点

今天给大家介绍中南大学李敏教授课题组在Bioinformatics上发表的文章“Protein–protein interaction site prediction through combining local and global features with deep neural networks”。先前的研究以及证据已经表明，全局序列特征对于预测蛋白质相互作用位点来说会有很大帮助。虽然现有的计算方法已经取得了不错的预测表现，但是它们的模型中都没有采用全局序列特征，因此可能会使得算法性能有所下降。为解决此问题，作者在文章中提出了一种新型的文本卷积网络来获取蛋白质序列的全局特征，并将用滑动窗口方法获取的局部特征信息与之结合，来共同预测蛋白质相互作用位点且取得了不错的效果。随后作者又通过对比实验继续研究了全局序列特征的有效性与最佳占比情况。

01

textCNN初探

我们知道，CNN在图像领域应用的比较好了，那么CNN能不能用于文本分析呢？答案是肯定的。在2014年，Yoon Kim在其论文“Convolutional Neural Networks for Sentence Classification”就提出了使用CNN对文本进行分类。这应该是最早将CNN用于文本分类中的文章了。所以，我们称将用于文本分析的CNN网络叫做textCNN。

01

深度卷积网络：实例探究

介绍几种经典的卷积神经网络结构，分别是LeNet、AlexNet、VGGNet。 LeNet-5 LeNet-5主要是针对灰度设计的，所以其输入较小，为32×32×1，其结构如下：

04

深度学习经典网络解析：9.Fast R-CNN

2014年R-CNN横空出世，首次将卷积神经网络带入目标检测领域。受SPPnet启发，rbg在15年发表Fast R-CNN，它的构思精巧，流程更为紧凑，大幅提高目标检测速度。

03

自由视视频的主观和客观质量评价

随着新型媒体的发展，观众渐渐不再只满足于传统的 2D、3D 视频，对于其他新形势视频的需求也在不断发展，其中自由视视频（FVV）就是近些年来消费者关注的热点之一。如下图所示，相比于传统的 2D、3D和全景视频，自由视视频包含了一部分虚拟视角，用以填补真实相机之间的空缺，从而给观众以视角连续的观看体验。

02

终于看到一个不在 Backbone上研究 ResNet的了！直接优化小目标检测性能，不卷ImageNet-1K数据集！

检测输电和配电塔对于电力网的安全可靠运行至关重要，因为这些塔的位置和数量是设计电力网络拓扑和规划其扩展的关键参数。将遥感（RS）和深度学习技术相结合作为一种广泛采用的目标检测方法具有多种优势，包括能够快速覆盖大面积、减少人为错误以及提高检测精度。卷积神经网络（CNNs）已成为深度学习中的主要方法，因为它们可以从原始图像像素自动学习判别特征，捕捉图像区域之间的复杂空间关系，并获得更好的检测性能。基于CNN的主流目标检测器可以分为基于 Anchor 框和无需 Anchor 框两类。基于 Anchor 框的检测器使用预定义的 Anchor 框来预测目标位置和大小，这提供了更好的准确性，但可能会受到 Anchor 框设计偏差的影响。无需 Anchor 框的检测器直接回归目标的中心和大小，不使用 Anchor 框。

01

Keras 搭建图片分类 CNN （卷积神经网络）

构建卷积层。用于从输入的高维数组中提取特征。卷积层的每个过滤器就是一个特征映射，用于提取某一个特征，过滤器的数量决定了卷积层输出特征个数，或者输出深度。因此，图片等高维数据每经过一个卷积层，深度都会增加，并且等于过滤器的数量。

01

Convolutional Neural Networks

计算机视觉（Computer Vision）包含很多不同类别的问题，如图片分类、目标检测、图片风格迁移等等。

01

深度 | 语义分割网络DeepLab-v3的架构设计思想和TensorFlow实现

选自Medium 作者：Thalles Silva 机器之心编译参与：Nurhachu Null、刘晓坤深度卷积神经网络在各类计算机视觉应用中取得了显著的成功，语义分割也不例外。这篇文章介绍了语义分割的 TensorFlow 实现，并讨论了一篇和通用目标的语义分割最相关的论文——DeepLab-v3。DeepLab-v3 是由谷歌开发的语义分割网络，近日，谷歌还开源了该系列的最新版本——DeepLab-v3+。 GitHub 地址：https://github.com/sthalles/deeplab_

07

深度 | 语义分割网络DeepLab-v3的架构设计思想和TensorFlow实现

选自Medium 作者：Thalles Silva 机器之心编译参与：Nurhachu Null、刘晓坤深度卷积神经网络在各类计算机视觉应用中取得了显著的成功，语义分割也不例外。这篇文章介绍了语义分割的 TensorFlow 实现，并讨论了一篇和通用目标的语义分割最相关的论文——DeepLab-v3。DeepLab-v3 是由谷歌开发的语义分割网络，近日，谷歌还开源了该系列的最新版本——DeepLab-v3+。 GitHub 地址：https://github.com/sthalles/deeplab_

05

SPPnet论文总结

小菜看了SPPNet这篇论文之后，也是参考了前人的博客，结合自己的一些观点写了这篇论文总结。这里参考的连接如下： [http://blog.csdn.net/u013078356/article/details/50865183] 论文：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，这篇paper主要的创新点在于提出了空间金字塔池化。paper主页：http://research.microsoft.com/en-us/um/people/kahe/eccv14sppnet/index.html 这个算法比R-CNN算法的速度快了n多倍。我们知道在现有的CNN中，对于结构已经确定的网络，需要输入一张固定大小的图片，比如224*224、32*32、96*96等。这样对于我们希望检测各种大小的图片的时候，需要经过裁剪，或者缩放等一系列操作，这样往往会降低识别检测的精度，于是paper提出了“空间金字塔池化”方法，这个算法的牛逼之处，在于使得我们构建的网络，可以输入任意大小的图片，不需要经过裁剪缩放等操作，只要你喜欢，任意大小的图片都可以。不仅如此，这个算法用了以后，精度也会有所提高，总之一句话：牛逼哄哄。

03

专栏 | 云脑科技-实习僧文本匹配模型及基于百度PaddlePaddle的应用

机器之心发布云脑科技作者：算法工程师李瀚立作者简介：李瀚立，本科毕业于武汉大学数学与统计学院，普渡大学统计硕士，达特茅斯学院计算机硕士。曾就职于 Amazon AWS，IBM Cloud。现为

04

一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。

02

Elasticsearch 8.X “图搜图”实战

"图搜图"指的是通过图像搜索的一种方法，用户可以通过上传一张图片，搜索引擎会返回类似或者相关的图片结果。这种搜索方式不需要用户输入文字，而是通过比较图片的视觉信息来找到相似或相关的图片。这项技术在许多不同的应用中都很有用，如找到相同或相似的图片，寻找图片的来源，或者识别图片中的物体等等。

01

基于 Milvus 的 VOVA 拍照购实践

VOVA 是一个面向全球市场的新兴跨境电商平台，专注于外贸出口，客户遍布六大洲一百多个国家和地区。VOVA 支持 20 种主流语言和 35 种主流货币，拥有数百万件高品质、高性价比的产品，为用户提供最新的全球平价商品和轻松有趣的购物体验。

01

长文解读|深度学习+EEG时频空特征用于跨任务的心理负荷量评估

心理负荷量显著影响特定任务中的人员绩效。适当的心理负荷量可以提高工作效率。但是，沉重的脑力劳动会降低人类的记忆力，反应能力和操作能力。由于某些职业的脑力劳动量很大，例如飞行员，士兵，机组人员和外科医生，沉重的脑力劳动会导致严重的后果。因此，心理负荷量评估仍然是一个重要的课题。近年来，基于脑电图的脑力负荷评估取得了重要成就。但是，出色的结果通常集中于在同一天完成单一心理任务的单个被试。这些方法在实验室外的效果不佳。要达到好的效果，必须克服三个问题，即跨被试，跨日期和跨任务问题。所谓的跨任务问题就是算法可以在不同的实验范式中评估心理负荷量。跨任务的心理负荷量评估，难点在于找到可以推广到各种心理任务的高鲁棒性的EEG特征。特征集通常使用两种方法生成：手工设计特征和通过深度学习提取特征。最常用的手工设计特征是从5个频段（δ[1-3 Hz]，θ[5-8 Hz]，α[9-12 Hz]，β[14-31 Hz]和γ[33-42 Hz]）和2个扩展频带（γ1 [33-57 Hz]和γ2 [63-99 Hz]）中提取的功率谱密度（PSD）特征。事件相关电位（ERP）和事件相关同步/去同步（ERS/ ERD）也广泛用于对EEG信号进行分类。但是，这些手工设计的特征对于跨任务问题未取得可使用的结果。原因除了设计的特征不适合之外，各种任务下的心理负荷量级别的定义也可能导致误导分类结果，心理负荷量状况的标签可能被主观地和错误地定义。近期，来自清华大学精密仪器系精密测量技术与仪器国家重点实验室的研究团队在IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING杂志发表题目为《Learning Spatial–Spectral–Temporal EEG Features With Recurrent 3D Convolutional Neural Networks for Cross-Task Mental Workload Assessment》研究论文，其设计了两种不同类型的心理负荷量实验，通过行为数据验证了实验的有效性，并提出了一个基于深度循环神经网络（RNN）和3D卷积神经网络的级联网络结构（R3DCNN），以在没有先验知识的情况下学习跨任务的脑电特征。

00

「中国法研杯」相似案例匹配竞赛结果出炉，冠军方案关键技术解读

2019 年 10 月 19 日，第十八届中国计算语言学大会「中国法研杯」相似案例匹配评测研讨会在云南昆明完美落幕。会上，清华大学刘知远副教授、中国科学院软件研究所韩先培研究员、幂律智能科技有限公司 CEO 涂存超博士等均出席了该会议。

02

【信息抽取】如何使用卷积神经网络进行关系抽取

事物、概念之间的关系是人类知识中非常重要的一个部分，但是他们通常隐藏在海量的非结构文本中。为了从文本中抽取这些关系事实，从早期的模式匹配到近年的神经网络，大量的研究在多年前就已经展开。

02

DeepMind&VGG提出人脸识别算法GhostVLAD,精度远超IJB-B数据集state-of-the-art

在人脸识别应用中，很多场景能够获取某一个体的多幅人脸图像的集合（比如在监控视频中），使用人脸图像集来做识别，这个问题被称为基于模板的人脸识别（template-based face recognition）。

02

深度学习简化总结合注意力与循环神经网络推荐的算法

互联网将全球信息互连形成了信息时代不可或缺的基础信息平台，其中知识分享服务已经成为人们获取信息的主要工具。为了加快互联网知识共享，出现了大量以知乎为代表的问答社区[1] 。用户注册社区后可交互式提出与回答问题达到知识共享和交换。然而，伴随用户急剧增多，平台短时间内积攒了数目巨大、类型多样的问题，进进超过有效回复数，严重降低了用户服务体验。如何将用户提出的问题有效推荐给可能解答的用户，以及挖掘用户感兴趣的问题是这些平台面临的严重挑战。这种情况下，工业界和学术界对以上问题开展了广泛研究，提出了一些针对问答社区的专家推荐方法提高平台解答效率[2] 。现有工作大多利用基于内容的推荐算法解决该问题[3-6]，比如配置文件相似性、主题特征相似性等，匹配效果依赖于人工构建特征的质量。近年来，以卷积神经网络（Convolutional Neural Network, CNN）、Attention 注意力机制为代表的深度学习技术不断収展，幵且已经成功应用到文本挖掘领域。相比于传统方法，深度模型可以学习到表达力更强的深度复杂语义特征。于是，出现了一些深度专家推荐算法，比如DeepFM[7] 、XDeepFM[8] 、CNN-DSSM 等，大大幅提升了传统推荐算法的准确度。虽然以上工作很好地实现了专家推荐，但都是根据用户长期关注的话题及相关解答历史刻画用户兴趣，产生的推荐结果也相对固定。随着时间推移，用户会不断学习新知识，其关注点及擅长解答的问题也很可能収生改变，由此会产生用户兴趣变化，甚至短期兴趣漂移[10] 。这些动态变化会严重影响推荐算法效果，所以如何动态刻画用户兴趣就显得尤为重要。其实，用户历史回答行为具有明显的时间序列关系，通过对已解答问题的序列分析有很大可能感知用户兴趣变化。近年来，循环神经网络（Recurrent Neural Network, RNN）被广泛用来处理序列数据，比如长短期记忆网络（ Long Short-Term Memory, LSTM）、门控循环单元（Gate Recurrent Unit, GRU）等,可以根据前面状态输入结合当前模型状态产生当前输出。该类方法可与 CNN结合处理问题内容序列数据，从用户历史解答行为中挖掘长期与短期兴趣，从而动态产生当前兴趣。综合以上讨论，本文提出了结合注意力机制与循环神经网络的问答社区专家推荐算法，能够根据用户历史解答序列动态构建用户兴趣特征，实现推荐结果随时间収展不断调整。主要工作与贠献如下：（1）基于预训练词嵌入模型分别实现了问题标题与主题标签的语义嵌入向量表示，将 CNN 卷积模型与 Attention 注意力机制结合，构造基于上下文的问题编码器，生成不同距离上下文的深度特征编码。（2）问题编码器对用户历史回答的问题迚行序列编码，利用长短期记忆循环神经网络 Bi-GRU 模型处理编码后的问题序列，幵结合用户主题标签嵌入向量构造用户兴趣动态编码器。（3）将问题与用户编码器产生的深度特征点积运算后加入全连接层实现相似度计算产生推荐结果。在知乎公开数据集上的对比实验结果表明该算法性能要明显优于目前比较流行的深度学习专家推荐算法。

02

图卷积和消息传递理论的可视化详解

来源：Deephub Imba本文共3500字，建议阅读5分钟本文中将研究如何基于消息传递机制构建图卷积神经网络，并创建一个模型来对具有嵌入可视化的分子进行分类。假设现在需要设计治疗某些疾病的药物。有一个其中包含成功治疗疾病的药物和不起作用的药物数据集，现在需要设计一种新药，并且想知道它是否可以治疗这种疾病。如果可以创建一个有意义的药物表示，就可以训练一个分类器来预测它是否对疾病治疗有用。我们的药物是分子式，可以用图表表示。该图的节点是原子。也可以用特征向量 x 来描述原子（它可以由原子属性组成，如质量

01

【信息抽取】如何使用循环神经网络进行关系抽取

事物、概念之间的关系是人类知识中非常重要的一个部分，但是他们通常隐藏在海量的非结构文本中。为了从文本中抽取这些关系事实，从早期的模式匹配到近年的神经网络，大量的研究在多年前就已经展开。

03

使用谱聚类（spectral clustering）进行特征选择

谱聚类是一种基于图论的聚类方法，通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据聚类的目的。谱聚类可以理解为将高维空间的数据映射到低维，然后在低维空间用其它聚类算法（如KMeans）进行聚类

02

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

03

『带你学AI』一文带你搞懂OCR识别算法CRNN：解析+源码

文字识别是AI的一个重要应用场景，文字识别过程一般由图像输入、预处理、文本检测、文本识别、结果输出等环节组成。

03

【深度语义匹配模型】原理篇一：表示型

工业界的很多应用都有在语义上衡量本文相似度的需求，直接目标就是判断两句话是否表达了相同或相似意思，我们将这类需求统称为“语义匹配”，nlp中的许多任务都可以抽象为语义匹配任务。语义匹配的相关应用场景主要有搜索引擎、问答系统、推荐系统、文本去重等，主要是为了找到与目标文本最相关的文本，比如在问答系统中找到和问题最相关的答案，在搜索引擎中找到与搜索框中关键词最相关的网页等。

03

IBM研究院提出Graph2Seq，基于注意力机制的图到序列学习

Seq2Seq（序列到序列）及其变体在机器翻译、自然语言生成、语音识别、新药发现之类的领域表现非常出色。大多数Seq2Seq模型都属于编码器-解码器家族，其中编码器将输入序列编码为固定维度的连续向量表示，而解码器则解码向量得到目标序列。

04

图片语义分割深度学习算法要点回顾

深度学习算法解决了数个难度级别逐渐上升的计算机视觉任务。在我先前的博文中，我已详细阐述了广为人知的两个任务：图像分类和目标检测。图像语义分割的难点在于将各个像素点分类到某一实例，再将各个实例（分类结果）与实体（大象，人，道路，天空等）一一对应。这任务即场景理解的一部分：深度学习模型怎样能更好地学习视觉内容的全局语境？

03

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