9 天前 / kbsc13
点击上方“算法猿的成长“，关注公众号，选择加“星标“或“置顶” 总第 124 篇文章，本文大约 3731 字，阅读大约需要 10 分钟 原文：https://theaisummer.com/Deep-Learning-Algorithms/ 作者：Sergios Karagiannakos 因为文章有些长，所以会分成上下两篇文章，分开发。 上一篇文章的链接： 深度学习算法简要综述 ( 上) 本文目录如下： 深度学习是什么？神经网络（Neural Networks）前向神经网络（Feedforward Neural Networks, FNN）卷积神经网络（Convolutional Neural Networks, CNN）循环神经网络（Recurrent Neural Networks ,RNN)递归神经网络（Rec...
11 天前 / 楼外青山
引言推荐系统是依据用户的个人喜好尽可能推荐用户喜爱的物品（视频、新闻、商品、直播等），而用户的兴趣偏好则通过过往的行为数据体现出来。当没有历史记录可循时，就存在推荐冷启动问题。本文在接下来的篇幅首先讲述冷启动的相关概念，然后介绍一些业界常规的解决方法，最后会着重阐述花椒直播在解决用户冷启动方面的实践。 1. 冷启动概念推荐系统旨在通过用户特征及交互行为和物品的特征来预测用户对物品的偏好，从而进行个性化推荐，当物品或用户缺少足够的有效信息时，即存在冷启动问题。
15 天前 / kbsc13
点击上方“算法猿的成长“，关注公众号，选择加“星标“或“置顶” 总第 123 篇文章，本文大约 2300 字，阅读大约需要 7 分钟 原文：https://theaisummer.com/Deep-Learning-Algorithms/ 作者：Sergios Karagiannakos 因为文章有些长，所以会分成上下两篇文章，分开发。 简介自从 2012 年在一个图像识别比赛上，一个神经网络的性能超过人类后，深度学习就火了起来，但当时只有少数人会预料到接下来会发生什么。 在过去的十年里，有越来越多的算法面世，也有越来越多的公司开始将这些算法应用到他们的日常业务中。
16 天前 / hyper0x
写文章向往的 GAT（图注意力模型）superbrother清华大学 土木工程博士在读 223 人赞同了该文章 0 GRAPH ATTENTION NETWORKS 的诞生随着 GCN 的大红大紫（可以参考如何理解 Graph Convolutional Network（GCN）？），graph 领域的 deep learning 研究可谓变得风生水起，人工智能又出现了新的网红。GCN 在一系列任务取得了突破性进展的同时，一系列的缺点也逐渐被放大。 深度学习三巨头”之一的 Yoshua Bengio 组提出了 Graph Attention Networks（下述简称为 GAT）去解决 GCN 存在的问题并且在不少的任务上都取得了 state of art 的效果（可以参考机器之心：...
20 天前 / 涯之叶
首发于深度炼丹写文章 Self-Supervised Learning 入门介绍 SherlockI want to create some new things!789 人赞同了该文章引子 最近 self-supervised learning 变得非常火，首先是 kaiming 的 MoCo 引发一波热议，然后最近 Yann 在 AAAI 上讲 self-supervised learning 是未来。 所以觉得有必要了解一下 SSL，也看了一些 paper 和 blog，最后决定写这篇文章作为一个总结。 什么是 Self-Supervised Learning 首先介绍一下到底什么是 SSL，我们知道一般机器学习分为监督学习，非监督学习和强化学习。
45 天前 / pqpo
本文主要分析循环神经网络 (RNN)的大致原理及其 TensorFlow 实现，文章后半部分详细介绍循环网络结合移动端的一次趣味实践：AI 诗人 ( 别忘记点个 Star 哦)。 之前介绍的神经网络包括卷积网络，HED 网络等网络结构都是从输入层到隐藏层再到输出层，每次输入对应输出，输入、输出之间是无关联的。这些网络都无法提取时间序列的相关特征和上小文语义的相关特征，循环神经网络便是为了解决这类问题而生的。 循环神经网络输入的是一个序列，输出的也是序列，当然也可以视场景而定输出一个值。
60 天前 / 机器视觉与算法建模
使用 PyTorch 实现经典的卷积神经网络。从 LeNet 到 DenseNet 介绍项目地址 LeNet1234567891011121314151617181920212223class LeNet(nn.Module): def __init__(self): super(LeNet, self).__init__() self.conv = nn.Sequential( nn.Conv2d(1, 6, 5), nn.Sigmoid(), nn.AvgPool2d(2, 2), nn.Conv2d(6, 16, 5), nn.Sigmoid(), nn.AvgPool2d(2, 2) ) self.fc = nn.Sequential( nn.Linear(16 * 4 * 4, 120), nn.Sigmoid(), ...
65 天前 / 读芯术
全文共 3095 字，预计学习时长 9 分钟 来源：Pexels 本文将解释如何整合深度学习模型，构建服装推荐系统。 我们想要建立一个服装推荐系统，可以使用四种深度学习模型来获取用户服装使用的重要特征。 推荐系统可分为 4 类：基于产品特性的推荐基于其他用户对产品的行为的推荐基于用户一般特征的推荐基于上述多项标准的推荐来源：Pexels 在案例中，我们将根据用户和产品特性提出建议。计入考虑的用户特征是性别、年龄和体重指数（BMI）。计入考虑的产品特征是用户所穿的衣服类型。因此，我们需要一张用户的照片，对所有特征进行预测，推荐相应的服装。
66 天前 / hyper0x
文 /Jasper Snoek 研究员和 Zachary Nado 研究工程师 Google Research 理想情况下，我们会使用深度学习等机器学习 (ML) 方法对与训练数据分布相同的数据进行预测。实际情况则有可能大不相同：相机镜头变得模糊、传感器性能下降，以及网络热点话题的变化等问题都会导致模型的训练数据分布与应用数据分布之间存在差异，进而导致所谓的 协变量偏移 (Covariate Shift)。例如，最近我们观察到，为胸部 X 光检测肺炎而训练的深度学习模型，在使用以前未曾见过的医院数据进行评估时，得到的精度水平大不相同。当然，部分原因是图像获取和处理方面存在细微差别。
69 天前 / 机器视觉与算法建模
构造一个简单的全卷积神经网络作为解码器，编码器使用预训练模型 ResNet18。数据集使用 VOC2012。 小记录在写的过程中，遇到了些坎，这里做个记录。 训练时的 ground truth 简写 GT，即图像标注。计算 loss 时要求 predict 出的特征图 outputs 的 shape 与它的标签 GT 一致。而模型的输出 shape 格式是：(batch_size, classes, channels, height, width)，而我们的标签在未做处理之前是没有 classes 这个维度的，即 (batch_size, channels, height, width)，因此在数据输入之前需要做处理，才能正确预测...
70 天前 / 读芯术
全文共 1674 字，预计学习时长 5 分钟 图源：zhihu 约翰，不可忽视直觉。因为直觉表示处理过快的数据，这让有意识的人根本无法理解。——Sherlock Holmes神经网络庞大且复杂，对初学者非常不友好。所以小芯带来了本期文章——致力于为初学者创建最小的神经网络。而比起神经网络背后的复杂数学和算法，通过创建最小的神经网络并训练它来完成一个简单的任务，更能让你对神经网络如何工作有一个直观的印象。下面，我们开始吧~图源：blog.sina.com.cn 神经网络背后的想法神经网络是权重的集合。我们可以在一组输入和输出值（目标或标签）上训练神经网络。
73 天前 / 楼外青山
排序算法概述现代推荐系统一般分为召回和排序两个阶段。召回阶段一般会用一些成本低、速度快的模型从十万、百万量级的候选集中初步筛选，留下千、百个；然后在排序阶段用更加精细的特征和复杂的模型来进行精排，最终留下 topK 个。 近十年间，业界排序模型的发展可以说是一日千里，从千篇一律的 LR，到 2010 年 FM 的提出，再到 2014 年 Facebook 提出的树模型 GBDT，这几年可以看成是现代推荐系统的上半场； 而 2015 年至今可以看成是飞速发展的下半场，几年之间，以 DNN 等模型为代表的深度学习网络，如雨后春笋般的出现...