- 目录 1、MNIST 2、ImageNet 4、COCO 5、PASCAL VOC 6、FDDB 1、MNIST 深度学习领域的入门数据集,当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库,它有60000个训练样本集和10000个测试样本集,每个样本图像的宽高为28*28,数字放在一个归一化的、... 目录 1、MNIST 2、ImageNet 4、COCO 5、PASCAL VOC 6、FDDB 1、MNIST 深度学习领域的入门数据集,当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库,它有60000个训练样本集和10000个测试样本集,每个样本图像的宽高为28*28,数字放在一个归一化的、...
- 目录 简介 使用 Python API 使用 C++ API 简介 对于我们的大脑来说,视觉识别似乎是一件特别简单的事。人类不费吹灰之力就可以分辨狮子和美洲虎、看懂路标或识别人脸。但对计算机而言,这些实际上是很难处理的问题:这些问题只是看起来简单,因为大脑非常擅长理解图像。 在过去几年内,机器学习领域在解决此类难题方面取得了巨大进展。尤其是,我们发现一种称为深... 目录 简介 使用 Python API 使用 C++ API 简介 对于我们的大脑来说,视觉识别似乎是一件特别简单的事。人类不费吹灰之力就可以分辨狮子和美洲虎、看懂路标或识别人脸。但对计算机而言,这些实际上是很难处理的问题:这些问题只是看起来简单,因为大脑非常擅长理解图像。 在过去几年内,机器学习领域在解决此类难题方面取得了巨大进展。尤其是,我们发现一种称为深...
- 目录 一、整体学习的建议 1.1 如何成为Pytorch大神? 1.2 如何读Github代码? 1.3 代码能力太弱怎么办? 二、Pytorch与TensorFlow概述 2.1 什么是Pytorch? 2.1.1 Pytorch两个核心模块 2.1.2 Pytorch可视化:Visdom 2.1.3 Pytorch的优缺点 2.2 什么是... 目录 一、整体学习的建议 1.1 如何成为Pytorch大神? 1.2 如何读Github代码? 1.3 代码能力太弱怎么办? 二、Pytorch与TensorFlow概述 2.1 什么是Pytorch? 2.1.1 Pytorch两个核心模块 2.1.2 Pytorch可视化:Visdom 2.1.3 Pytorch的优缺点 2.2 什么是...
- 目录 M-P模型 Hebb学习规则 Rosenblatt感知器 Minsky的打击 复兴时期! 深度学习的突破 M-P模型 1943年神经元解剖学家McCulloch和数学天才Pitts发表文章提出神经元的数学描述和结构神经元遵循“全或无”原则证明了只要足够的简单神经元,在相互连接并同步运行的情况下,可以模拟任何计算函数开创工作被认为是人工神经网... 目录 M-P模型 Hebb学习规则 Rosenblatt感知器 Minsky的打击 复兴时期! 深度学习的突破 M-P模型 1943年神经元解剖学家McCulloch和数学天才Pitts发表文章提出神经元的数学描述和结构神经元遵循“全或无”原则证明了只要足够的简单神经元,在相互连接并同步运行的情况下,可以模拟任何计算函数开创工作被认为是人工神经网...
- 目录 神经网络基础: 神经网络进阶: 深度学习网络: 神经网络应用: 深度学习落地实现: 神经网络基础: 单层感知器线性神经网络BP 神经网络Hopfields神经网络径向基神经网络PCA和SVM 神经网络进阶: 自编码器稀疏自编码器玻尔兹曼机受限玻尔兹曼机递归神经 网络自组织竞争神经网络 深度学习网络: 深度置信网络卷积神经网络 深度残差网络 神经网络... 目录 神经网络基础: 神经网络进阶: 深度学习网络: 神经网络应用: 深度学习落地实现: 神经网络基础: 单层感知器线性神经网络BP 神经网络Hopfields神经网络径向基神经网络PCA和SVM 神经网络进阶: 自编码器稀疏自编码器玻尔兹曼机受限玻尔兹曼机递归神经 网络自组织竞争神经网络 深度学习网络: 深度置信网络卷积神经网络 深度残差网络 神经网络...
- 比如有5组数据,让你去做简单线性回归。 python代码实现上述过程 import numpy as np def fitSLR(x,y): n = len(x) dinominator = 0 numerator = 0 for i in range(0, n): numerator += (x[i] - np.mean(x))*(y[i] - np.mea... 比如有5组数据,让你去做简单线性回归。 python代码实现上述过程 import numpy as np def fitSLR(x,y): n = len(x) dinominator = 0 numerator = 0 for i in range(0, n): numerator += (x[i] - np.mean(x))*(y[i] - np.mea...
- 1 基本概念 Cover和Hart在1968年提出了最初的临近算法 分类算法classfication 输入基于实例的学习instance-based learning ,懒惰学习lazy learning 2 例子: 对最后一个未知电影类型进行归类 对上图实例进行转化为特征向... 1 基本概念 Cover和Hart在1968年提出了最初的临近算法 分类算法classfication 输入基于实例的学习instance-based learning ,懒惰学习lazy learning 2 例子: 对最后一个未知电影类型进行归类 对上图实例进行转化为特征向...
- 这是学习唐杰老师的总结。 图灵奖得主Yoshua Bengio在NeuIPS 2019带来一场题为《From System 1 Deep Learning To System 2 Deep Learing》的报告,提到了几个非常有意思的观点。 本文为大家带来Yoshua Bengio的报告详解。 报告地址: https://nips.cc/Conferences/2... 这是学习唐杰老师的总结。 图灵奖得主Yoshua Bengio在NeuIPS 2019带来一场题为《From System 1 Deep Learning To System 2 Deep Learing》的报告,提到了几个非常有意思的观点。 本文为大家带来Yoshua Bengio的报告详解。 报告地址: https://nips.cc/Conferences/2...
- 1 概率 条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为:P(A|B),读作“在B的条件下A的概率”。若只有两个事件A,B,那么, 对于如下图所示的图形,线性回归以已经没办法很好的解决问题 2 Logistic Regression(逻辑回归)基本... 1 概率 条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为:P(A|B),读作“在B的条件下A的概率”。若只有两个事件A,B,那么, 对于如下图所示的图形,线性回归以已经没办法很好的解决问题 2 Logistic Regression(逻辑回归)基本...
- 目录 1. 有哪些文本表示模型? 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式: 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用? 1. 有哪些文本表示模型? 词袋模型(Bag of Words)TF-IDF(Term Frequency-Inverse Document Frequency)主题模型(Topic Mo... 目录 1. 有哪些文本表示模型? 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式: 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用? 1. 有哪些文本表示模型? 词袋模型(Bag of Words)TF-IDF(Term Frequency-Inverse Document Frequency)主题模型(Topic Mo...
- 本文是机器学习笔记系列 参考链接:https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了,每个人都在谈论它,但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂,理论性太强,或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢,本文作者 vas3k 通过简洁的语言和清晰明了... 本文是机器学习笔记系列 参考链接:https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了,每个人都在谈论它,但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂,理论性太强,或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢,本文作者 vas3k 通过简洁的语言和清晰明了...
- 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定,而不是数据维度决定,所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量,即使训练集里面所有非支持点都去除,重复训练过程,结果模型完全一样 一个SVM如果训练得到的支持向量个数少,则模型更容易泛化(比如各有1个点,... 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定,而不是数据维度决定,所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量,即使训练集里面所有非支持点都去除,重复训练过程,结果模型完全一样 一个SVM如果训练得到的支持向量个数少,则模型更容易泛化(比如各有1个点,...
- 目录 先来看机器学习: 什么是特征? 深度学习是表示学习的经典代表: 深度学习的过程: 深度学习与传统机器学习差别: 深度学习代表算法: 先来看机器学习: 机器学习是利用经验experience来改善 计算机系统自身的性能,通过经验获取知识knowledge。 以往都是人们向计算机输入知识,现在是通过经验的“特征”数据来产生模型model(传统的机器... 目录 先来看机器学习: 什么是特征? 深度学习是表示学习的经典代表: 深度学习的过程: 深度学习与传统机器学习差别: 深度学习代表算法: 先来看机器学习: 机器学习是利用经验experience来改善 计算机系统自身的性能,通过经验获取知识knowledge。 以往都是人们向计算机输入知识,现在是通过经验的“特征”数据来产生模型model(传统的机器...
- # -*- coding: utf-8 -*-import numpy as npfrom scipy.cluster.hierarchy import dendrogram, linkage, fclusterfrom matplotlib import pyplot as plt def hierarchy_cluster(data, method='average',... # -*- coding: utf-8 -*-import numpy as npfrom scipy.cluster.hierarchy import dendrogram, linkage, fclusterfrom matplotlib import pyplot as plt def hierarchy_cluster(data, method='average',...
- 1 K-mean基本概念 聚类分析是以相似性为基础,对数据集进行聚类划分,属于无监督学习(unsupervised learning)。 K-means算法是一种简单的迭代型聚类算法,采用距离作为相似性指标,从而发现给定数据集中的K个类,且每个类的中心是根据类中所有值的均值得到,每个类用聚类中心来描述。对于给定的一个包含n个d维数据点的数据集X以及要分得的类别K,选取欧式... 1 K-mean基本概念 聚类分析是以相似性为基础,对数据集进行聚类划分,属于无监督学习(unsupervised learning)。 K-means算法是一种简单的迭代型聚类算法,采用距离作为相似性指标,从而发现给定数据集中的K个类,且每个类的中心是根据类中所有值的均值得到,每个类用聚类中心来描述。对于给定的一个包含n个d维数据点的数据集X以及要分得的类别K,选取欧式...
上滑加载中
推荐直播
-
ECS自动初始化实操
2025/06/24 周二 16:30-18:00
阿肯-华为云生态技术讲师
ECS是大家非常熟悉的服务,但大家真的用对了吗?服务器启动后需要人工部署应用吗?课程演示如何让ECS创建就能投入工作
回顾中 -
2025年度中国青年“揭榜挂帅”擂台赛·华为赛道直播宣讲会
2025/06/26 周四 15:00-16:30
李大帅 华为云算子专家 吴小鱼 华为云人工智能算法专家
挑战杯 | 2025年度中国青年“揭榜挂帅”华为赛道直播宣讲会火热来袭!聚焦前沿的昇腾全栈AI技术,核心挑战:大模型推理优化。华为云人工智能算法专家+算子专家联袂坐镇直播间,深度解析赛题,助你赢取大奖!技术高手们,速来直播间,获取通关秘籍!
即将直播
热门标签