引言：深度学习是近年机器学习领域的重大突破，有着广泛的应用前景。随着Google公开Google Brain计划，业界对深度学习的热情高涨。百度成立深度学习研究院，腾讯也启动了深度学习的研究。腾讯在深度学习领域持续投入，获得了实际落地的产出。本文是腾讯深度学习系列文章的第一篇。我们准备了四篇文章，阐述深度学习的原理和在腾讯的实践。 2014年6月22日，腾讯深度学习平台（Tencent Deep Learning Platform）于国际机器学习领域顶级会议ICML2014上首次公开亮相，揭秘了腾讯深度学习
本文介绍了基于深度学习的图像超分辨率技术，该技术可以生成更高清晰度的图像，并可以应用于各种领域，例如视频处理、医学成像和自然语言处理等。该技术使用深度学习算法来学习图像的底层表示，并利用这些表示来生成更高质量的图像。该技术还可以使用基于注意力的方法来选择最相关的图像区域，从而进一步提高图像质量。本文还介绍了一种基于深度学习的图像超分辨率技术，该技术可以在手机端使用，并可以节省用户75%的流量。
OCR（光学字符识别）是是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。目前，这项技术在拍照搜题、拍照翻译等应用中得到广泛使用。
无人驾驶空中系统（UAS）在过去十年中被广泛应用，尽管 UAS 最早被应用在军事上，事实证明，它们在很多其它领域都是有用的，包括农业、地理制图、航空摄影、搜索和救援等。然而这些系统都需要一个人循环完成远程控制、场景识别和数据获取。这不仅增加了操作成本，而且将应用范围极大程度上限制在了能够进行远程控制的应用范围内。
TensorFlow™是一个开源软件库，最初由Google Brain Team的研究人员和工程师开发。(中文社区)
机器之心原创 作者：邱陆陆 10 月下旬，华为的 NPU AI 专用处理单元和 HiAI 移动计算平台亮相华为上海发布会，引起了诸多关注。在发布会上，余承东通过微软为华为开发的 Microsoft T
TensorFlow是谷歌研发的开源框架。本讲座介绍了如何使用TensorFlow创建深度学习应用程序，以及与其他Python机器学习库进行比较。 我叫Ian Lewis，我是谷歌云平台团队的开发者大
随着深度学习算法在图像领域中的成功运用，学术界的目光重新回到神经网络上；而随着 AlphaGo 在围棋领域制造的大新闻，全科技界的目光都聚焦在“深度学习”、“神经网络”这些关键词上。与大众的印象不完全一致的是，神经网络算法并不算是十分高深晦涩的算法；相对于机器学习中某一些数学味很强的算法来说，神经网络算法甚至可以算得上是“简单粗暴”。只是，在神经网络的训练过程中，以及算法的实际运用中，存在着许多困难，和一些经验，这些经验是比较有技巧性的。 有道云笔记不久前更新的文档扫描功能中使用了神经网络算法。本文试图以文
本文探讨了使用深度学习技术进行文本摘要的方法和系统。文章首先介绍了基于序列到序列（seq2seq）的文本摘要模型，然后详细阐述了使用该模型进行摘要的步骤。最后，文章探讨了该方法的优缺点以及可能的改进方向。
TensorFlow™是一个开源软件库，最初由Google Brain Team的研究人员和工程师开发。TensorFlow使用数据流图进行数值计算。图中的节点表示数学运算，边表示它们之间通信的多维数据数组（张量）。其架构灵活，你可以使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU。
机器学习是当代最重要的计算机运算发展项目之一。 先进的机器学习技术使得人工智能出现爆炸性的发展，创造出新一波智慧应用和服务项目。 实时语音翻译、自动机器人、通过脸孔分析侦测人类情绪，一眼望过去，这些项目全都可以做得到。 但要做到以上事物，得花费不少运算效能来训练这些崭新应用方式背后精密的深度神经网络，这可是一项大工程，就算速度最快的超级计算机也得花费数天到数周的时间进行训练。 毫不意外地，后来每位顶尖机器学习研究人员和开发人员采用 NVIDIA Tesla 加速运算平台和 Deep Learning 软件开
通用文字 OCR 识别 API 是一种功能强大的服务，可用于多场景、多语种的整图文字检测和识别，通过将OCR技术应用于学校环境，可以实现教育资源的数字化和学习过程的自动化。
在构建自然语言理解深度学习模型过程中，研究人员或者工程师们经常需要在编程细节和代码调试上花费大量精力，而不是专注于模型架构设计与参数调整。
“ 随着人工智能的高速发展，开发者们对于能够应对产品多样化挑战的学习框架TensorFlow，也有着很高的热情。除了各类科技产品，零售行业也同样将TensorFlow运用于大规模的深度学习中。 在这篇文章中，来自可口可乐公司数据侠Patrick Brandt，就将为我们介绍如何使用AI和TensorFlow实现无缝式购买凭证。 可口可乐的核心忠诚度计划于2006年以MyCokeRewards.com形式启动。 “MCR.com”平台包含为每一瓶以20盎司规格销售的可口可乐、雪碧、芬达和动乐产品，以及可以在杂
随着人工智能的高速发展，开发者们对于能够应对产品多样化挑战的学习框架TensorFlow，也有着很高的热情。除了各类科技产品，零售行业也同样将TensorFlow运用于大规模的深度学习中。
但无论是工整书写的 Tensorflow 官网上的 MNIST 教程，还是上节提到“草书”数字，都是 单一的数字识别问题。 但是，在实际生活中，遇到数字、字母识别问题时，往往需要识别一组数字。这时候一个简单的深度神经网络可能就做不到了。本节内容，就是在讨论遇到这种情况时，应该如何调整深度学习模型。
---- 新智元报道 来源：专知 【新智元导读】近年来，随着人工智能与大数据技术的发展，深度神经网络在语音识别、自然语言处理、图像理解、视频分析等应用领域取得了突破性进展。深度神经网络的模型层数多、参数量大且计算复杂，对硬件的计算能力、内存带宽及数据存储等有较高的要求。 FPGA 作为一种可编程逻辑器件，具有可编程、高性能、低能耗、高稳定、 可并行和安全性的特点。其与深度神经网络的结合成为推动人工智能产业应用的研究热点。 本文首先简述了人工神经网络坎坷的七十年发展历程与目前主流的深度神经网络模型，
在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。
标题：Deep Domain Adaptive Object Detection: a Survey
引言：深度学习是近年机器学习领域的重大突破，有着广泛的应用前景。随着Google公开Google Brain计划，业界对深度学习的热情高涨。腾讯在深度学习领域持续投入，获得了实际落地的产出。我们准备了四篇文章，阐述深度学习的原理和在腾讯的实践，介绍腾讯深度学习平台Mariana，本文为第一篇。 深度学习（Deep Learning）是近年来机器学习领域的热点，在语音识别、图像识别等领域均取得了突破性进展。腾讯提供广泛的互联网服务，在2014年第一季度，即拥有3.96亿月活跃用户的微信，8.48亿月活跃用户的
在使用深度学习框架进行模型训练时，有时候会遇到类似于"Unknown: Failed to get convolution algorithm. This is probably because cuDNN"的错误信息。这种错误通常与cuDNN库有关。本文将详细解释该错误的原因，并提供可能的解决方案。
文章来自网易科技(原标题：AI 到底怎么在自动驾驶领域派上用场？看这篇你就懂了) 编者按：以深度学习架构为基础的人工智能技术（如深度神经网络，DNN）早已在全球铺开，其应用范围覆盖了汽车市场、计算机视觉、自然语言处理、传感器融合、物体识别和自动驾驶等领域。眼下，自动驾驶新创公司、互联网公司和 OEM 商都在探索图形处理单元（GPU）在神经网络中的应用，推动车辆早日进入自动驾驶时代。 如今，业界最先进的高级驾驶辅助系统（ADAS）一般都建立在集成或开放平台之上。想要获得更智能更复杂的ADAS系统并迈向完全
我们想用机器做越来越多的事，我们能做的、不能做的、懒得做的……统统都想让机器代劳。“人工智能”——已经不再是科幻电影里的事，Google、Microsoft、斯坦福大学……那些你所能想象到的知名企业、
软件：MATLAB 2020a （当前最新的matlab版本，提供了很多关于深度学习（常见的卷积神经网络和循环神经网络）的接口）
本文介绍了如何在深度学习项目中使用 TensorFlow.js，通过实例演示了如何使用 TensorFlow.js 在浏览器中运行深度学习模型，并介绍了在服务器端使用 TensorFlow.js 部署模型的方法。
TensorFlow™是一个开源软件库，最初由研究Google Brain Team的研究人员和工程师开发。TensorFlow用于使用数据流图进行数值计算。图中的节点表示数学运算，而图表边表示在它们之间传递的多维数据阵列（张量）。灵活的体系结构允许您使用单个API将计算部署到桌面，服务器或移动设备中的一个或多个CPU或GPU。
AiTechYun 编辑：nanan 英特尔基于开源软件新nGraph DNN编译器将目标对准了英伟达，使得在不同类型的硬件上运行神经网络变得更加容易。 首席信息官（CIO）们通常会使用基于英伟达的G
如今，机器学习无处不在，但多数机器学习系统是隐形的：它们在「黑箱」里优化音频或识别图像中的人脸。但最近 UCLA 的研究人员研发出了一个 3D 打印 AI 分析系统。这一系统不仅看得见，还摸得着。与以往通过调节数字进行分析的系统不同，该系统通过光线的衍射来分析人工智能。这一新奇、独特的研究成果表明：这些「人工智能」系统可以看起来非常简单。
近日，周志华教授开源了其在深度学习领域研究的新型算法——gcForest。他在论文中提到，不同于DNN的神经网络结构，它是一种基于决策树集成的方法。同时相比DNN，gcForest的训练过程效率高且可扩展，在仅有小规模训练数据的情况下也照常运转。不仅如此，作为一种基于决策树的方法，gcForest 在理论分析方面也应当比深度神经网络更加容易。 除此之外，周志华在论文最后特别提到，对于他的新方法，英特尔的KNL可能提供了像GPU之于DNN那样的潜在加速。 📷 究竟是什么原因产生了这样的结果？带着
本页面收集了大量深度学习项目图像处理领域的代码链接。包括图像识别，图像生成，看图说话等等方向的代码，以便大家查阅使用。 图像生成 绘画风格到图片的转换：Neural Style https://lin
IJCAI 2019 在中国澳门隆重召开，南京大学周志华教授进行特邀大会演讲，演讲主题是《Deep Learning: Why deep and is it only doable for neura
选自Uber AI 作者：Felipe Petroski Such、Kenneth O. Stanley、Jeff Clune 机器之心编译 参与：路、李泽南 Uber 在去年底发表的研究中发现，通过使用遗传算法高效演化 DNN，可以训练含有超过 400 万参数的深度卷积网络在像素级别上玩 Atari 游戏；这种方式在许多游戏中比现代深度强化学习算法或进化策略表现得更好，同时由于更好的并行化能达到更快的速度。不过这种方法虽好但当时对于硬件的要求很高，近日 Uber 新的开源项目解决了这一问题，其代码可以让一
Uber近期发布了一篇文章，公开了五篇关于深度神经进化的论文，其中包括发现了遗传算法可以解决深层强化学习问题，而一些流行的方法也可替代遗传算法，如深度Q-learning和策略梯度。这项研究是Salimans等人在2017年进行的，另一种神经进化算法，即进化策略（ES）同样可以解决问题。Uber进一步阐述了以下问题：如何通过更多地探索更新智能体所带来的压力形式来改进ES；ES是如何与梯度下降联系起来的。这些研究花费巨大，通常需要720到3000个CPU，并分布在巨大，高性能的计算集群中，因此对于大多数研究人员、学生、公司和业余爱好者来说，深度神经进化研究似乎遥不可及。
如果你也有同样的烦恼，不如试试「微软小蜜」小程序。有了它，你只需上传几张图片，就能轻松制作好看的 PPT。
这两天发现朋友圈被Google开源深度学习系统TensorFlow的新闻刷屏了。这当然是一个很好的消息，尤其对我们这种用机器学习来解决实际问题的工程师来说更是如此。但同时很多人并不清楚听起来神乎其神的“TensorFlow”到底是什么，有什么意义。
最近，我已经阅读了很多与计算机视觉相关的资料并做了大量实验，这里介绍了在该领域学习和使用过程中有意思的内容。
许多特性并不是深度神经网络独有~ 作者：杨晓凡 编辑：Camel 8 月 10 日至 16 日，IJCAI 2019 在中国澳门隆重召开。14 日下午，南京大学周志华教授进行特邀大会演讲，演讲主题
本文为CSDN原创编译文章，禁止转载。 【编者按】深度学习尽管对当前人工智能的发展作用很大，然而深度学习工作者并非一帆风顺。Chris Edwards发表于Communications of the ACM的这篇文章，通过不同的深度学习研究人员的现身说法，列举了深度学习在不同场景下面临的一些挑战以及目前的解决方案。CSDN翻译此文，希望对国内深度学习从业者有借鉴意义。 理论和计算机硬件的进步促使神经网络成为在线服务的核心部分，如微软的Bing，采用神经网络驱动图像搜索和语音识别系统。这些公司提供这样的能力
三百六十行，行行不仅出状元，还出“黑话” 今天，小编为大家倾情整理“深度学习行业黑话解析” 一起show起来！ （温馨提示：建议阅读时间8分钟） “学习”概念区分 人工智能：人工智能的发展依赖于计算
理论和计算机硬件的进步促使神经网络成为在线服务的核心部分，如微软的Bing，采用神经网络驱动图像搜索和语音识别系统。这些公司提供这样的能力是希望在未来该技术能驱动更先进的服务，因为他们扩展了神经网络来处理更复杂的问题。 神经网络从50年前的最初设想，到成为信息技术应用的公认部分，花了很长的时间。上世纪90年代，在一阵混乱的兴趣之后，部分支持通过发展高度专业化的集成电路设计来克服传统计算机性能的不足，神经网络在各类算法中脱颖而出，比如在图像处理中的支持向量机以及语音识别中的高斯模型。 旧版简单的神经网络最多
人工神经网络模型（下文简称“神经网络”）的研究和发展也是以对生物神经网络的模仿为基础的。
当我们在使用基于GPU的深度学习框架时，例如PyTorch或TensorFlow，有时我们可能会遇到以下错误提示：
DIGITS 是一款面向数据科学家和研究人员的交互式深度学习开发工具，设计的初衷是为了适应优越的深度神经网络的迅速开发和部署。NVIDIA在2015年3月份推出了DIGITS，今天发布的DIGITS 2，包含了多GPU自动扩展功能。不管是为单个数据集开发优化的神经网络还是在多个数据集上训练多重网络，DIGITS 2都能够很轻松快捷地使用多GPU开发并行优化网络。 深度学习使用深度神经网络（DNNs）和大数据集来教计算机从输入数据中检测可识别的概念，去解释或理解自然语言以及解读信息等。深度学习已经运用在研究界
这是新的系列教程，在本教程中，我们将介绍使用 FPGA 实现深度学习的技术，深度学习是近年来人工智能领域的热门话题。
Python 1. Theano是一个python类库，用数组向量来定义和计算数学表达式。它使得在Python环境下编写深度学习算法变得简单。在它基础之上还搭建了许多类库。 1.Keras是一个简洁、高度模块化的神经网络库，它的设计参考了Torch，用Python语言编写，支持调用GPU和CPU优化后的Theano运算。 2.Pylearn2是一个集成大量深度学习常见模型和训练算法的库，如随机梯度下降等。它的功能库都是基于Theano之上。 3.Lasagne是一个搭建和训练神经网络
摘要：DIGITS是一款面向数据科学家和研究人员的交互式深度学习开发工具。新的DIGITS 2包含了多GPU自动扩展功能，不论为单个数据集开发优化的神经网络还是在多个数据集上训练多重网络，都可使用多GPU开发并行优化网络。 DIGITS 是一款面向数据科学家和研究人员的交互式深度学习开发工具，设计的初衷是为了适应优越的深度神经网络的迅速开发和部署。NVIDIA在2015年3月份推出了DIGITS，今天发布的DIGITS 2，包含了多GPU自动扩展功能。不管是为单个数据集开发优化的神经网络还是在多个数据集上训
2015 年结束了，是时候看看 2016 年的技术趋势，尤其是关于深度学习方面。新智元在 2015 年底发过一篇文章《深度学习会让机器学习工程师失业吗？》，引起很大的反响。的确，过去一年的时间里，深度学习正在改变越来越多的人工智能领域。Google DeepMind 工程师 Jack Rae 预测说，过去被视为对于中型到大型数据集来说最佳的预测算法的那些模型（比如说提升决策树（Boosted Decision Trees）和随机森林）将会变得无人问津。 深度学习，或者更宽泛地说——使用联结主义架构的机器
【新智元导读】西瓜书《机器学习》作者、南京大学周志华日前发表论文，提出了一种基于树的方法，挑战深度学习。在设置可类比的情况下，新方法 gcForest 取得了和深度神经网络相当甚至更好的结果，而且更容易训练，小数据也能运行，更重要的是相比神经网络，基于树的方法不会存在那么困难的理论分析问题。周志华和冯霁在论文里写道，“我们认为，要解决复杂的问题，学习模型也需要往深了去。然而，当前的深度模型全部都是神经网络。这篇论文展示了如何构建深度树（deep forest），为在许多任务中使用深度神经网络之外的方法打开了
领取专属 10元无门槛券
手把手带您无忧上云
