- Jacobian矩阵和Hessian矩阵 1. Jacobian 在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都以数学家卡尔·雅可比(Carl Jacob, 1804年10月4日－18... Jacobian矩阵和Hessian矩阵 1. Jacobian 在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都以数学家卡尔·雅可比(Carl Jacob, 1804年10月4日－18...
- 机器学习：多分类的logistic回归 Multi-Class Logistic（多分类的Logistic问题） 它适用于那些类别数大于2的分类问题，并且在分类结果中，样本x不是一定只属于某一个类可以得到样本x分别属于多个类的概率（也可以说样本x的估计y符合某一个几何分布），这实际上是属于Genera... 机器学习：多分类的logistic回归 Multi-Class Logistic（多分类的Logistic问题） 它适用于那些类别数大于2的分类问题，并且在分类结果中，样本x不是一定只属于某一个类可以得到样本x分别属于多个类的概率（也可以说样本x的估计y符合某一个几何分布），这实际上是属于Genera...
- C3F：首个开源人群计数算法框架 导读：52CV曾经报道多篇拥挤人群计数相关的技术，比如最近的： CVPR 2019 | 西北工业大学开源拥挤人群数据集生成工具，大幅提升算法精度 开源地址： https://github.com/gjy3035/C-3-Framework 这个有个核心网络加自己的人数计数，比如resn... C3F：首个开源人群计数算法框架 导读：52CV曾经报道多篇拥挤人群计数相关的技术，比如最近的： CVPR 2019 | 西北工业大学开源拥挤人群数据集生成工具，大幅提升算法精度 开源地址： https://github.com/gjy3035/C-3-Framework 这个有个核心网络加自己的人数计数，比如resn...
- PyTorch Dataloader 加速 参考源码： https://github.com/NVIDIA/apex/blob/f5cd5ae937f168c763985f627bbf850648ea5f3f/examples/imagenet/main_amp.py#L256 class data_prefetcher(): def __init__(... PyTorch Dataloader 加速 参考源码： https://github.com/NVIDIA/apex/blob/f5cd5ae937f168c763985f627bbf850648ea5f3f/examples/imagenet/main_amp.py#L256 class data_prefetcher(): def __init__(...
- 1pytorch的： class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True) [source] 对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作 在每一个小批量（mini-batch）数据中，计算输入各个维度... 1pytorch的： class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True) [source] 对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作 在每一个小批量（mini-batch）数据中，计算输入各个维度...
- import numpy as np import tensorflow as tf from keras import preprocessing from keras.datasets import cifar10 from keras.layers import Dense, Dropout, Activation, Flatten, Lambda, Batc... import numpy as np import tensorflow as tf from keras import preprocessing from keras.datasets import cifar10 from keras.layers import Dense, Dropout, Activation, Flatten, Lambda, Batc...
- 高斯混合模型GMM是一个非常基础并且应用很广的模型。对于它的透彻理解非常重要。网上的关于GMM的大多资料介绍都是大段公式，而且符号表述不太清楚，或者文笔非常生硬。本文尝试用通俗的语言全面介绍一下GMM，不足之处还望各位指正。 首先给出GMM的定义 这里引用李航老师《统计学习方法》上的定义，如下图： 定义很好理解，高斯混合模型是一种混合模型，混合的基本分布是高斯分布而... 高斯混合模型GMM是一个非常基础并且应用很广的模型。对于它的透彻理解非常重要。网上的关于GMM的大多资料介绍都是大段公式，而且符号表述不太清楚，或者文笔非常生硬。本文尝试用通俗的语言全面介绍一下GMM，不足之处还望各位指正。 首先给出GMM的定义 这里引用李航老师《统计学习方法》上的定义，如下图： 定义很好理解，高斯混合模型是一种混合模型，混合的基本分布是高斯分布而...
- end2end的意思在不同人看来有不同理解，但是作为程序员/深度学习炼丹娃，应当理解为：至少是从处理过的图像-->最终目标结果（比如分类结果、检测结果、分割结果等）的一个流程，也就是起码把原来的“特征提取”和“用分类器做分类，包括特征选择”的两个模块，串在一起了，而不是显示地分成两个模块。 下面是转载知乎的回答： 作者：王赟 Maigo 链接：https:/... end2end的意思在不同人看来有不同理解，但是作为程序员/深度学习炼丹娃，应当理解为：至少是从处理过的图像-->最终目标结果（比如分类结果、检测结果、分割结果等）的一个流程，也就是起码把原来的“特征提取”和“用分类器做分类，包括特征选择”的两个模块，串在一起了，而不是显示地分成两个模块。 下面是转载知乎的回答： 作者：王赟 Maigo 链接：https:/...
- 深度学习最全优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam） 前言 （标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。 SGD 此处的SGD指mini-batch gradient descent，关于batch grad... 深度学习最全优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam） 前言 （标题不能再中二了）本文仅对一些常见的优化方法进行直观介绍和简单的比较，各种优化方法的详细内容及公式只好去认真啃论文了，在此我就不赘述了。 SGD 此处的SGD指mini-batch gradient descent，关于batch grad...
- 贝叶斯推断及其互联网应用（一） 投递人 itwriter 发布于 2011-08-25 14:03 评论(6) 有1981人阅读 原文链接 [收藏] « » 一年前的这个时候，我正在翻译Paul Graham的《黑客与画家》。 那本书大部... 贝叶斯推断及其互联网应用（一） 投递人 itwriter 发布于 2011-08-25 14:03 评论(6) 有1981人阅读 原文链接 [收藏] « » 一年前的这个时候，我正在翻译Paul Graham的《黑客与画家》。 那本书大部...
- 如何使用facenet 预训练： 20180408-102900 0.9905 CASIA-WebFace Inception ResNet v1 https://drive.google.com/open?id=1EXPBSXwTaqrSC0O... 如何使用facenet 预训练： 20180408-102900 0.9905 CASIA-WebFace Inception ResNet v1 https://drive.google.com/open?id=1EXPBSXwTaqrSC0O...
- 分级loss，分了10级，网络不收敛，后来分了5级，也不怎么收敛 开始loss设置很大，后来改小 如果一边增长过快，另一边则反方向运动(即与增长过快的方向移动)，说明loss偏大，应该减少loss， 效果比较好的是：两边loss向各个方向收敛，方向相反 分级loss，分了10级，网络不收敛，后来分了5级，也不怎么收敛 开始loss设置很大，后来改小 如果一边增长过快，另一边则反方向运动(即与增长过快的方向移动)，说明loss偏大，应该减少loss， 效果比较好的是：两边loss向各个方向收敛，方向相反
- 原文：http://www.tinymind.cn/articles/1176 在 AlphaGo 对弈李世石、柯洁之后，更多行业开始尝试通过机器学习优化现有技术方案。其实对于实时音视频来讲，对机器学习的研究已有多年，我们曾分享过的实时图像识别只是其中一种应用。我们还可以利用深度学习来做超分辨率。我们这次就分享一下用于超分辨率的深度学习基本框架，以及衍生... 原文：http://www.tinymind.cn/articles/1176 在 AlphaGo 对弈李世石、柯洁之后，更多行业开始尝试通过机器学习优化现有技术方案。其实对于实时音视频来讲，对机器学习的研究已有多年，我们曾分享过的实时图像识别只是其中一种应用。我们还可以利用深度学习来做超分辨率。我们这次就分享一下用于超分辨率的深度学习基本框架，以及衍生...
- evolving normalization activation layers 本篇文章则通过将正则化层和激活层公式化为一个单独的构建模块，来研究他们的协同设计 同时，本文还进行了具有超大batch规格的学习动态过程的可视化。在训练设置相同的情况下，相比BN-RELU和ResNet-50，虽然训练损失较大，但是，EvoNorm-B0展现了... evolving normalization activation layers 本篇文章则通过将正则化层和激活层公式化为一个单独的构建模块，来研究他们的协同设计 同时，本文还进行了具有超大batch规格的学习动态过程的可视化。在训练设置相同的情况下，相比BN-RELU和ResNet-50，虽然训练损失较大，但是，EvoNorm-B0展现了...
- MXNet之网络结构搭建 网络结构搭建 1.卷积层(Convolution) 2.BN层(Batch Normalization) 3.激活层(Activation) 4.池化层(Pooling) 5.全连接层(FullyConnected) 6. 损失函数层 7.通道合并层(concat) 8.逐点相加层(element-wise-sum) 1.卷积层(Co... MXNet之网络结构搭建 网络结构搭建 1.卷积层(Convolution) 2.BN层(Batch Normalization) 3.激活层(Activation) 4.池化层(Pooling) 5.全连接层(FullyConnected) 6. 损失函数层 7.通道合并层(concat) 8.逐点相加层(element-wise-sum) 1.卷积层(Co...
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