- 迁移学习简明手册-王晋东https://github.com/jindongwang/transferlearning-tutorial变分自编码器VAE技术解析https://blog.csdn.net/roguesir/article/details/81263442https://blog.csdn.net/kingfoulin/article/details/92073101http... 迁移学习简明手册-王晋东https://github.com/jindongwang/transferlearning-tutorial变分自编码器VAE技术解析https://blog.csdn.net/roguesir/article/details/81263442https://blog.csdn.net/kingfoulin/article/details/92073101http...
- 因为人类的语言不通，《圣经》故事中的 “巴别塔” 没能建成，以失败告终。如何打破人类语言之间的屏障，也成为了人类一直希望解决的问题。 因为人类的语言不通，《圣经》故事中的 “巴别塔” 没能建成，以失败告终。如何打破人类语言之间的屏障，也成为了人类一直希望解决的问题。
- 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一作者是魏溪含 涂铭 张修鹏。 本节书摘来自华章计算机《深度学习与图像识别：原理与实践》一作者是魏溪含 涂铭 张修鹏。
- 深度学习已经成为现代人工智能研究的一个重要分支，而MATLAB作为一种强大的科学计算工具，为研究人员和工程师提供了构建和训练神经网络的便利。本文将介绍如何在MATLAB中构建神经网络，涵盖基础概念、实用代码示例以及常见问题的解决方案。 1. 深度学习基础 1.1 什么是深度学习？深度学习是一种机器学习方法，通过多层神经网络对数据进行特征提取和表示学习。深度学习在图像识别、自然语言处理和语音识... 深度学习已经成为现代人工智能研究的一个重要分支，而MATLAB作为一种强大的科学计算工具，为研究人员和工程师提供了构建和训练神经网络的便利。本文将介绍如何在MATLAB中构建神经网络，涵盖基础概念、实用代码示例以及常见问题的解决方案。 1. 深度学习基础 1.1 什么是深度学习？深度学习是一种机器学习方法，通过多层神经网络对数据进行特征提取和表示学习。深度学习在图像识别、自然语言处理和语音识...
- 摘要https://arxiv.org/pdf/1707.01083我们介绍了一种名为ShuffleNet的计算效率极高的卷积神经网络（CNN）架构，该架构专为计算能力非常有限的移动设备（例如10-150 MFLOPs）而设计。新架构利用两种新操作：逐点分组卷积和通道混洗，以大大降低计算成本，同时保持准确性。在ImageNet分类和MS COCO目标检测上的实验表明，ShuffleNet的... 摘要https://arxiv.org/pdf/1707.01083我们介绍了一种名为ShuffleNet的计算效率极高的卷积神经网络（CNN）架构，该架构专为计算能力非常有限的移动设备（例如10-150 MFLOPs）而设计。新架构利用两种新操作：逐点分组卷积和通道混洗，以大大降低计算成本，同时保持准确性。在ImageNet分类和MS COCO目标检测上的实验表明，ShuffleNet的...
- 摘要单幅图像去雾是一项具有挑战性的不适定问题，它旨在从观测到的雾图中估计出潜在的清晰图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提高模型性能。卷积神经网络（CNN）结构的学习能力仍待充分探索。在本文中，我们提出了一种包含细节增强卷积（DEConv）和内容引导注意力（CGA）的细节增强注意力模块（DEAB），以增强特征学习，从而提升去雾性能。具体而言，DEConv将先验... 摘要单幅图像去雾是一项具有挑战性的不适定问题，它旨在从观测到的雾图中估计出潜在的清晰图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提高模型性能。卷积神经网络（CNN）结构的学习能力仍待充分探索。在本文中，我们提出了一种包含细节增强卷积（DEConv）和内容引导注意力（CGA）的细节增强注意力模块（DEAB），以增强特征学习，从而提升去雾性能。具体而言，DEConv将先验...
- 摘要一、论文介绍论文主题：本文介绍了一种名为DEA-Net的图像去雾算法。背景信息：单幅图像去雾是一项具有挑战性的任务，旨在从观测到的雾图中恢复出潜在的清晰图像。传统的去雾方法以及现有的基于深度学习的方法都存在不足，尤其是在处理复杂场景和非均匀雾分布时。核心贡献：论文提出了一种包含细节增强卷积（DEConv）和内容引导注意力（CGA）的细节增强注意力模块（DEAB），用于提升去雾性能。二、创... 摘要一、论文介绍论文主题：本文介绍了一种名为DEA-Net的图像去雾算法。背景信息：单幅图像去雾是一项具有挑战性的任务，旨在从观测到的雾图中恢复出潜在的清晰图像。传统的去雾方法以及现有的基于深度学习的方法都存在不足，尤其是在处理复杂场景和非均匀雾分布时。核心贡献：论文提出了一种包含细节增强卷积（DEConv）和内容引导注意力（CGA）的细节增强注意力模块（DEAB），用于提升去雾性能。二、创...
- 反事实多智能体策略梯度法COMA (Counterfactual Multi-Agent Policy Gradient) 是一种面向多智能体协作问题的强化学习算法，旨在通过减少策略梯度的方差，来提升去中心化智能体的学习效果。 COMA 算法最早由 DeepMind 团队提出，论文标题为 "Counterfactual Multi-Agent Policy Gradients"，由 Jakob 反事实多智能体策略梯度法COMA (Counterfactual Multi-Agent Policy Gradient) 是一种面向多智能体协作问题的强化学习算法，旨在通过减少策略梯度的方差，来提升去中心化智能体的学习效果。 COMA 算法最早由 DeepMind 团队提出，论文标题为 "Counterfactual Multi-Agent Policy Gradients"，由 Jakob
- 本文主要介绍了如何在昇腾上，使用pytorch对经典的图神经网络GraphSage在论文引用CiteSeer数据集上进行分类训练的实战讲解。内容包括GraphSage创新点分析、GraphSage算法原理、GraphSage网络架构剖析与GraphSage网络模型代码实战分析等等。 本文主要介绍了如何在昇腾上，使用pytorch对经典的图神经网络GraphSage在论文引用CiteSeer数据集上进行分类训练的实战讲解。内容包括GraphSage创新点分析、GraphSage算法原理、GraphSage网络架构剖析与GraphSage网络模型代码实战分析等等。
- 在上一部分中，我们讨论了矩阵的基本概念及其在深度学习中的应用。然而，矩阵的世界不仅仅是简单的二维表格，还有一些在深度学习中扮演重要角色的“有名有姓”的矩阵。这些矩阵在理论研究和实际应用中发挥着关键作用。本文将带您深入了解这些矩阵，并探索它们背后的数学原理和用途。 1. 单位矩阵（Identity Matrix）定义单位矩阵是一个对角线上全为 1，其余元素全为 0 的方阵，通常表示为 III。... 在上一部分中，我们讨论了矩阵的基本概念及其在深度学习中的应用。然而，矩阵的世界不仅仅是简单的二维表格，还有一些在深度学习中扮演重要角色的“有名有姓”的矩阵。这些矩阵在理论研究和实际应用中发挥着关键作用。本文将带您深入了解这些矩阵，并探索它们背后的数学原理和用途。 1. 单位矩阵（Identity Matrix）定义单位矩阵是一个对角线上全为 1，其余元素全为 0 的方阵，通常表示为 III。...
- 矩阵运算是人工智能算法的核心，尤其在深度学习中扮演着至关重要的角色。C++以其高效性和对底层硬件的精细控制能力，提供了多种优化策略，包括内存布局优化、高级算法应用、多线程并行计算及SIMD指令集利用，显著提升了矩阵运算的效率与性能。这些优化措施不仅加快了模型训练速度，还提高了实际应用中的响应速度，为人工智能技术的发展注入了强大动力。 矩阵运算是人工智能算法的核心，尤其在深度学习中扮演着至关重要的角色。C++以其高效性和对底层硬件的精细控制能力，提供了多种优化策略，包括内存布局优化、高级算法应用、多线程并行计算及SIMD指令集利用，显著提升了矩阵运算的效率与性能。这些优化措施不仅加快了模型训练速度，还提高了实际应用中的响应速度，为人工智能技术的发展注入了强大动力。
- 本文深入探讨了如何用C++实现神经网络的前向传播和反向传播算法。首先介绍了神经网络的基础概念，包括其结构和工作原理；接着详细解析了前向传播的数据流动过程和反向传播的误差修正机制。文章还讨论了C++实现神经网络的优势与挑战，并展望了其在计算机视觉和自然语言处理等领域的广泛应用前景。 本文深入探讨了如何用C++实现神经网络的前向传播和反向传播算法。首先介绍了神经网络的基础概念，包括其结构和工作原理；接着详细解析了前向传播的数据流动过程和反向传播的误差修正机制。文章还讨论了C++实现神经网络的优势与挑战，并展望了其在计算机视觉和自然语言处理等领域的广泛应用前景。
- 在深度学习模型的训练过程中，如何有效地从过拟合（Overfitting）到泛化（Generalization）是提升模型性能的关键。过拟合问题通常发生在模型过于复杂、训练数据不足或者训练时间过长时，导致模型在训练集上表现很好，但在新的、未见过的数据上表现较差。相反，良好的泛化能力能够让模型在新的数据集上同样表现出色。本篇文章将深入探讨如何通过多种技巧来优化深度学习模型，从而达到更好的泛化效果... 在深度学习模型的训练过程中，如何有效地从过拟合（Overfitting）到泛化（Generalization）是提升模型性能的关键。过拟合问题通常发生在模型过于复杂、训练数据不足或者训练时间过长时，导致模型在训练集上表现很好，但在新的、未见过的数据上表现较差。相反，良好的泛化能力能够让模型在新的数据集上同样表现出色。本篇文章将深入探讨如何通过多种技巧来优化深度学习模型，从而达到更好的泛化效果...
- AI/ML入门：基础知识与常用术语全解析，超全的哟~ AI/ML入门：基础知识与常用术语全解析，超全的哟~
- 🍞引言卷积神经网络（Convolutional Neural Networks，CNNs）是深度学习领域中的一类经典神经网络结构，尤其在图像识别、语音识别等任务中得到了广泛的应用。CNN通过模仿生物视觉系统处理信息的方式，能够高效地从原始输入中提取特征，进而完成分类、回归等任务。在本文中，我们将详细探讨卷积神经网络的基本原理，逐层分析其组成部分，并通过代码示例加深理解。 🍞卷积神经网络... 🍞引言卷积神经网络（Convolutional Neural Networks，CNNs）是深度学习领域中的一类经典神经网络结构，尤其在图像识别、语音识别等任务中得到了广泛的应用。CNN通过模仿生物视觉系统处理信息的方式，能够高效地从原始输入中提取特征，进而完成分类、回归等任务。在本文中，我们将详细探讨卷积神经网络的基本原理，逐层分析其组成部分，并通过代码示例加深理解。 🍞卷积神经网络...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签