学习
实践
活动
专区
工具
TVP
写文章
  • 广告
    关闭

    新年·上云精选

    热卖云产品新年特惠,2核2G轻量应用服务器9元/月起,更多上云必备产品助力您轻松上云

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    深度学习算法地图

    本文是机器学习算法地图的下篇,系统地整理了深度学习算法,整张图的设计风格与机器学习算法地图保持一致。从去年底就开始酝酿深度学习算法地图,然而工程浩大。 由于深度学习的算法变种太多,而且处于高速发展期,因此难免会有疏漏,后续版本将不断完善与优化。 完整的算法地图 下面先看这张图,以观深度学习全貌: ? 在此网络结构空间中,NAS算法可以搜索出人类未曾发现的网络结构。 深度神经网络的繁荣 神经网络自反向传播算法发明以来,并没有得到大规模成功的应用。这归咎于多个众所周知的原因。 目标检测算法可以阅读SIGAI之前的文章“基于深度学习的目标检测算法综述”。 分割网络也是CNN中的一个大家族,为机器视觉中的语义分割任务而生。其网络变种之多,较之检测网络丝毫不拜下风。 前者的典型代表是深度Q网络,是深度神经网络与Q学习的合体,用神经网络逼近价值函数。后者这是神经网络与策略梯度算法的合体,用神经网络逼近策略函数。

    1.3K40

    深度优先算法和广度优先算法

    其中,对于图来说,最重要的算法可以说就是遍历算法。而搜索算法中,最标志性的就是深度优先算法和广度优先算法。 图的定义 图的定义普遍为两种,一种是邻接表,另一种是邻接矩阵。 广度优先算法的实现 广度优先算法是一种分层的查找过程,每向前走一步可能会访问一批顶点,不像深度优先搜索算法那样有回溯的情况,因此它不是一个递归的算法深度优先算法 深度优先算法的实现 图的深度优先算法类似于树的先序遍历,DFS算法是一个递归算法,需要借助一个工作栈,故其空间复杂度度为O(V)。 深度优先算法的邻接矩阵的时间复杂度为O(V*V),邻接表的时间复杂度为O(V+E)。 visited[w]) DFS(G,w); }} 后续 图的遍历算法可以用来检索是连通图还是非连通图,只需要进行一次深度优先算法或者广度优先遍历,如果可以遍历所有节点,代表是连通图

    18760

    深度学习】深度多目标跟踪算法综述

    如图2中所示为ACF行人检测算法的结果。 如何扩展深度学习在行人重识别问题中的研究成果到多目标跟踪领域,研究适用于多目标跟踪问题的深度学习算法是具有挑战性的问题。 在这篇文章中,SIGAI将和大家一起对基于深度学习的视觉多目标跟踪算法进行总结和归纳,以帮助理解基于深度学习框架的多目标跟踪算法的原理和相对于传统算法的优势,如果对本文的观点持有不同的意见,欢迎向我们的公众号发消息一起讨论 2、基于深度学习的多目标跟踪算法分类 多目标跟踪算法按照轨迹生成的顺序可以分为离线的多目标跟踪和在线的多目标跟踪算法。 图3:按照深度学习目标和应用对基于深度学习的多目标跟踪算法进行分类。 利用深度神经网络学习目标检测的表观特征是简单有效的提升多目标跟踪算法的方法。 4、基于深度学习的视觉多目标跟踪算法讨论 上文我们讨论了视觉多目标跟踪领域中,深度学习算法近年来的发展。

    1.2K21

    深度学习经典算法 | 粒子群算法详解

    PSO算法具有以下优点: 1)不依赖于问题信息,采用实数求解,算法通用性强。 需要调整的参数少,原理简单,容易实现,这是PSO算法的最大优点。 同时, PSO算法的缺点也是显而易见的: 1)算法局部搜索能力较差,搜索精度不够高。 2)算法不能绝对保证搜索到全局最优解,主要有两方面的原因: ①有时粒子群在俯冲过程中会错失全局最优解。 4)PSO算法是一种概率算法算法理论不完善,缺乏独特性,理论成果偏少。 PSO算法程序设计 PSO算法实现的流程图如下图所示: 程序设计流程图 PSO算法设计的具体步骤如下: 步骤1:初始化粒子群(速度和位置)、惯性因子、加速常数、最大迭代次数、算法终止的最小允许误差。 python简单实现 import numpy as np import matplotlib.pyplot as plt class PSO(object): def __init__

    9010

    深度学习算法原理——RCNN

    算法思想2.1. RCNN算法流程RCNN算法的流程图如下所示:图片从图中可以看出,RCNN主要包括三个部分:区域提名(Region Proposal):使用到了Selective Search[2]的方法,通过Selective 在参考[3]中分别给出了C++和Python的实现;特征计算:特征计算阶段使用CNN算法,文章中使用AlexNet卷积神经网络,首先裁剪出上述2000个目标可能出现的位置的图像,并将其reshape成227 对于目标检测算法,最终我们会得到一系列的bbox以及对应的分类score,NMS所做的工作就是将同一个类别下的bbox按照分类score以及IoU阈值做筛选,剔除掉冗余的bbox,NMS的具体过程为:在算法得到一系列 journal of computer vision, 2013, 104(2): 154-171.[3] Selective Search for Object Detection (C++ / Python

    15120

    深度学习CNN算法原理

    深度学习CNN算法原理 一 卷积神经网络 卷积神经网络(CNN)是一种前馈神经网络,通常包含数据输入层、卷积计算层、ReLU激活层、池化层、全连接层(INPUT-CONV-RELU-POOL-FC),是由卷积运算来代替传统矩阵乘法运算的神经网络 注意感受野的深度必须和输入图像的深度相同。 如图中所示,filter w0的第一层深度和输入图像的蓝色方框中对应元素相乘再求和得到0,其他两个深度得到2,0,则有0+2+0+1=3即图中右边特征图的第一个元素3. 注意:这里的pooling操作是特征图缩小,有可能影响网络的准确度,因此可以通过增加特征图的深度来弥补(这里的深度变为原来的2倍)。 ,数据源使用MNIST数据集,分别采用softmax回归算法和CNN深度学习进行模型训练。

    15410

    深度学习经典算法 | 遗传算法详解

    遗传算法杂交了渐变式和爆发式两种思想。 遗传算法的实现步骤 GA由解编码、个体适应度评估和遗传算法三大模块构成,而遗传算法又包括染色体复制、交叉、变异甚至倒位等。 改良的遗传算法和融合新型技术的遗传算法都是SGA的变异形式。在遗传算法中,定义种群或群体为所有编码后的染色体集合,表征每个个体的是其相应的染色体。 为了避免在算法迭代后期出现种群过早收敛,对于二进制的基因码组成的个体种群,实行基因码的小几率翻转,对于二进制编码即0变为1,而1变为0。 落在各个区域的几率对应遗传算法中各条染色体被遗传到下一代的几率,其坠落的位置对应自变量取值。遗传算法依照与个体适应度成正比的几率决定当前种群中各个个体遗传到下一代群体中的机会。 程序设计流程 遗传算法伪代码 matlab GA工具箱求解多约束非线性规划问题 举例如下所示: matlab实现 主函数: %主程序:本程序采用遗传算法接力进化, %将上次进化结束后得到的最终种群作为下次输入的初始种群

    10820

    深度学习DenseNet算法详解

    ,随着网络深度的加深,梯度消失问题会愈加明显,目前很多论文都针对这个问题提出了解决方案,比如ResNet,Highway Networks,Stochastic depth,FractalNets等,尽管这些算法的网络结构有差别 前面提到过梯度消失问题在网络深度越深的时候越容易出现,原因就是输入信息和梯度信息在很多层之间传递导致的,而现在这种dense connection相当于每一层都直接连接input和loss,因此就可以减轻梯度消失现象 Table2是在三个数据集(C10,C100,SVHN)上和其他算法的对比结果。ResNet[11]就是kaiming He的论文,对比结果一目了然。 DenseNet-BC的网络参数和相同深度的DenseNet相比确实减少了很多!参数减少除了可以节省内存,还能减少过拟合。 在表格的倒数第二个区域的三个不同深度L和k的DenseNet的对比可以看出随着L和k的增加,模型的效果是更好的。 ?

    91620

    Deep Hash(深度哈希算法

    哈希的简单介绍: 用一个比喻来说明什么是哈希算法:假设有N只小猪,它们的体重各不相同,一开始我们把它们放在一个猪圈里面。如果想寻找其中某只小猪,只能一个一个的找,很耗时间。 现在我们用哈希算法的思想来管理小猪,我们按照小猪的体重来分猪圈。现在如果你想要找其中某一只小猪,先看看他的体重,然后到对应体重的猪圈里面寻找,这样时间就节省了。 如果用哈希算法来查找某一个变量,首先要匹配Hash_code,这样就能快速的查找了。 刘教授一开始是以图搜图的样例来开始哈希的讲解: ? 哈希算法: ? 几种方法的介绍: ? ? ? 深度哈希算法 首先对相似度矩阵进行分解,得到样本的二值码;然后使用CNN进行拟合前面得到的二值码。 ? 代码实现: ?

    2.5K70

    深度学习经典算法 | 模拟退火算法详解

    模拟退火算法基本思想 现代的模拟退火算法形成于20世纪80年代初,其思想源于固体的退火过程,即将固体加热至足够高的温度,再缓慢冷却。 ⑥判断T是否已到达 T_{j} ,是,则终止算法;否,则转到步骤②继续执行。 算法实质分两层循环,在任一温度随机扰动产生新解,并计算目标函数值的变化,决定是否被接受。 由于算法初始温度比较高,这样,使E增大的新解在初始时也可能被接受.因而能跳出局部极小值,然后通过缓慢地降低温度,算法就最终可能收敛到全局最优解。 小的衰减量可能导致算法进程迭代次数的增加,从而使算法进程接受更多的变换,访问更多的邻域,搜索更大范围的解空间,返回更好的最终解。 Python实现 函数: f(x)=(x^{2}-5x)sin(x^{2}) import numpy as np import matplotlib.pyplot as plt import random

    10620

    关注

    腾讯云开发者公众号
    10元无门槛代金券
    洞察腾讯核心技术
    剖析业界实践案例
    腾讯云开发者公众号二维码

    相关产品

    • 声音定制

      声音定制

      声音定制(CTTS)为您提供深度定制音色的服务。通过先进的深度学习技术,更快、更高效地提供声音深度定制服务,提供更专业、更贴合场景需求的音色服务。

    相关资讯

    热门标签

    活动推荐

    扫码关注腾讯云开发者

    领取腾讯云代金券