- @TOC 1. 简介BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个... @TOC 1. 简介BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个...
- 向量机首先创建可以分离的样本数据集（假定二分类），然后使用sklearn所提供的线性支持向量机（LinearSVC）方法对其进行分类，求取一个支持向量集并绘图import numpy as npimport matplotlib.pyplot as pltfrom sklearn.svm import LinearSVCfrom sklearn.datasets import make_b... 向量机首先创建可以分离的样本数据集（假定二分类），然后使用sklearn所提供的线性支持向量机（LinearSVC）方法对其进行分类，求取一个支持向量集并绘图import numpy as npimport matplotlib.pyplot as pltfrom sklearn.svm import LinearSVCfrom sklearn.datasets import make_b...
- RBF神经网络介绍 RBF神经网络介绍
- yolo系列原理 先唠唠 yolo-v1 整体架构 具体实现 损失函数 yolo-v1的优点及局限 yolo-v2 batch normalization（归一化 ） hi-res calssifier（高分辨率分类器） new network anchor boxes（先验框） dimension priors（维度聚类） location prediction passthrough ... yolo系列原理 先唠唠 yolo-v1 整体架构 具体实现 损失函数 yolo-v1的优点及局限 yolo-v2 batch normalization（归一化 ） hi-res calssifier（高分辨率分类器） new network anchor boxes（先验框） dimension priors（维度聚类） location prediction passthrough ...
- BP神经网络介绍 BP神经网络介绍
- 神经网络——单层感知器 10行代码完成初代神经网络 神经网络——单层感知器 10行代码完成初代神经网络
- 神经网络-神经元模型及神经网络模型 神经网络-神经元模型及神经网络模型
- 轻量级神经网络——MobileNets MobileNetV1 深度可分离卷积 1、深度卷积✨✨✨ 2、逐点卷积✨✨✨ 参数量和计算量 1、标准卷积 2、深度可分离卷积✨✨✨ MobileNetV1的网络结构及效果 MobileNetV2 Linear Bottlenecks✨✨✨ Inverted Residuals✨✨✨ MobileNetV2的网络结构及效果 MobileNetV3 ... 轻量级神经网络——MobileNets MobileNetV1 深度可分离卷积 1、深度卷积✨✨✨ 2、逐点卷积✨✨✨ 参数量和计算量 1、标准卷积 2、深度可分离卷积✨✨✨ MobileNetV1的网络结构及效果 MobileNetV2 Linear Bottlenecks✨✨✨ Inverted Residuals✨✨✨ MobileNetV2的网络结构及效果 MobileNetV3 ...
- 细粒度分类问题细粒度分类是指对相似的类别进行分类，比如鸟的种类、车的款式等，在这些图像中，每种类别只有细微差异。如下图是21种麻雀的数据，每一列代表一个种类，每类展示了10张，我们可以发现这些麻雀的相似度非常高。在使用常规CNN网络进行特征提取后，从这些相似图像生成的特征通常也十分相似，这时如果只是简单的使用softmax交叉熵损失函数，很难将这些相似的特征区分开。Centor-Loss为了... 细粒度分类问题细粒度分类是指对相似的类别进行分类，比如鸟的种类、车的款式等，在这些图像中，每种类别只有细微差异。如下图是21种麻雀的数据，每一列代表一个种类，每类展示了10张，我们可以发现这些麻雀的相似度非常高。在使用常规CNN网络进行特征提取后，从这些相似图像生成的特征通常也十分相似，这时如果只是简单的使用softmax交叉熵损失函数，很难将这些相似的特征区分开。Centor-Loss为了...
- chain model的结构chain model实际上是借鉴了CTC的思想，引入了blank用来吸收不确定的边界。但CTC只有一个blank，而chain model中每一个建模单元都有自己的blank。如下图所示：对应kaldi中的结构定义为：在kaldi中，把Sp和Sb看做同一个状态(都对应state 0)，只是pdfclass不同。ForwardPdfClass表示Sp，SelfLo... chain model的结构chain model实际上是借鉴了CTC的思想，引入了blank用来吸收不确定的边界。但CTC只有一个blank，而chain model中每一个建模单元都有自己的blank。如下图所示：对应kaldi中的结构定义为：在kaldi中，把Sp和Sb看做同一个状态(都对应state 0)，只是pdfclass不同。ForwardPdfClass表示Sp，SelfLo...
- Google提出了移动端模型MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，适合应用在真实的移动端应用场景。这篇文章带你了解一下什么是普通卷积、分组卷积和深度分离卷积，以及如何计算参数量。上面的图片展示了普通卷积和分组卷积的不同，下面我们通过具体的例子来看。 普通卷积标准卷积运算量的计算公式：FLOPs=(2×C0×K2−1)×H×W... Google提出了移动端模型MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，适合应用在真实的移动端应用场景。这篇文章带你了解一下什么是普通卷积、分组卷积和深度分离卷积，以及如何计算参数量。上面的图片展示了普通卷积和分组卷积的不同，下面我们通过具体的例子来看。 普通卷积标准卷积运算量的计算公式：FLOPs=(2×C0×K2−1)×H×W...
- 语音识别中的transformer（只用encoder）模型：RNN基础结构：在RNN当中，tokens是一个一个被喂给模型的。比如在a3的位置，模型要等a1和a2的信息都处理完成后，才可以生成a3。Attention:如图，蓝色方框为一个attention模型。在每个位置，例如在a2处产生b2时，attention将会同时看过a1到a4的每个token。此外，每个token生成其对应的... 语音识别中的transformer（只用encoder）模型：RNN基础结构：在RNN当中，tokens是一个一个被喂给模型的。比如在a3的位置，模型要等a1和a2的信息都处理完成后，才可以生成a3。Attention:如图，蓝色方框为一个attention模型。在每个位置，例如在a2处产生b2时，attention将会同时看过a1到a4的每个token。此外，每个token生成其对应的...
- @TOC 写在前面相信很多做机器学习、深度学习的朋友都会用到可视化，无论是小白还是old bird都可以轻松绘制出漂亮的神经网络图，希望分享的内容可以帮助到你哦！~ 可视化工具 draw_convnet简介：这是一个大佬分享在GitHub上面的开源项目，用于绘画卷积神经网络（ConvNet）的脚本程序（Python）。传送门：draw_convnet提一句：作者注明无须引用任何内容即可使用该... @TOC 写在前面相信很多做机器学习、深度学习的朋友都会用到可视化，无论是小白还是old bird都可以轻松绘制出漂亮的神经网络图，希望分享的内容可以帮助到你哦！~ 可视化工具 draw_convnet简介：这是一个大佬分享在GitHub上面的开源项目，用于绘画卷积神经网络（ConvNet）的脚本程序（Python）。传送门：draw_convnet提一句：作者注明无须引用任何内容即可使用该...
- Transformer介绍 摘要 原因 方法 结果验证几个翻译任务上，翻译效果很好8个GPU训练了3.5天总结 结论 介绍了Transformer第一个只使用注意力在encoder-decoder架构中，使用multi-head取代了recurrent layers 效果翻译任务上，训练的很好，而且快很多在WMT 2014 英德，WMT2014英法效果很好 展望可以用到更多数据上图片vid... Transformer介绍 摘要 原因 方法 结果验证几个翻译任务上，翻译效果很好8个GPU训练了3.5天总结 结论 介绍了Transformer第一个只使用注意力在encoder-decoder架构中，使用multi-head取代了recurrent layers 效果翻译任务上，训练的很好，而且快很多在WMT 2014 英德，WMT2014英法效果很好 展望可以用到更多数据上图片vid...
- Graph Matching Networks for Learning the Similarity of Graph Structured Objects 摘要 图嵌入及有效的相似推理GNN已经成为定义在结构化数据上的各种有监督预测问题的有效模型，我们演示了如何训练图神经网络（GNN），使其能够在向量空间中生成图的嵌入，从而实现有效的相似推理 新的图匹配网络模型以一对图为输入，通过一种... Graph Matching Networks for Learning the Similarity of Graph Structured Objects 摘要 图嵌入及有效的相似推理GNN已经成为定义在结构化数据上的各种有监督预测问题的有效模型，我们演示了如何训练图神经网络（GNN），使其能够在向量空间中生成图的嵌入，从而实现有效的相似推理 新的图匹配网络模型以一对图为输入，通过一种...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签