131 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 143 篇文章，本文大约 3000字，阅读大约需要10分钟 前言深度学习领域，最常见的就是各种网络模型，那么在写论文或者文章，介绍网络模型的时候，最好的办法当然就是展示代码画图，今天介绍的 Github 项目，就是整理了 22 个设计和可视化网络结构的工具，其地址如下： https://github.com/ashishpatel26/Tools-to-Design-or-Visualize-Architecture-of-Neural-Network 22 款工具名称分别是： draw_convnetNNSVGPlotNeuralNetTensorBoardCaffeMatlabKeras.jsKeras-sequential-asciiNetr...
136 天前 / u312562
最近看到一组漫画 ，解释了深度学习的原理。什么是深度学习？下图表示了深度学习与机器学习的关系，可见深度学习是属于机器学习的一种，但是中间的推理过程是类似于人脑的神经元的构成，而机器学习更像是一棵树状的规则来推理。 深度学习可以做什么？ 神经元的运行原理，经典是是 MNIST 手写数字识别，我们需要利用神经网络教会电脑识别手写数字。 比如下图，我们会采用尺寸为 28X28，共 784 个像素的图片作为输入：神经网络通过几层、若干的神经元学习，学习到如何把这 784 个像素分类到 0-9 的哪一个类别里。
168 天前 / 张铁蕾
关于机器学习，有一个古老的笑话： Machine learning is like highschool sex. Everyone says they do it, nobody really does, and no one knows what it actually is. [1] 翻译过来意思大概是： 机器学习就像高中生的性爱。每个人都说他们做了，但其实没有人真的做了，也没有人真正知道它到底是什么。 总之，在某种程度上，机器学习确实有很多晦涩难懂的部分。虽然借助 TensorFlow、sklearn 等工具，机器学习模型以及神经网络通常能被快速地运行起来，但真正弄清背后发生了什么，仍然不是一件容易的事。
208 天前 / Thinkgamer
相信熟悉推荐系统的同学对于协同过滤（Collaborative Filtering）已经熟悉的不能再熟悉了，我也相信很多人心里在想“这么简单的协同，都 2020 年了，谁还用呀”。 俗话说得好，人不可貌相，海水不可斗量！CF 作为最早的推荐算法，基于 CF 的改进在学术界和工业界应用的十分广泛，就在之前介绍的一篇论文里，介绍了腾讯实时 ItemCF 的实现和应用，所以说可千万别小瞧协同过滤了。 本篇论文主要介绍新加坡国立大学在 17 年发表的论文：Neural Collaborative Filtering（神经网络协同过滤）...
226 天前 / 矩池云
作为图像识别与机器视觉界的 "hello world!" ，MNIST ("Modified National Institute of Standards and Technology")数据集有着举足轻重的地位。基本上每本人工智能、机器学习相关的书上都以它作为开始。 下面我们会用 TensorFlow 搭建一个浅层的神经网络来运行"hello world!" 模型。以下内容和模块的运算，均在矩池云平台进行。本次教程分五步： 第一步：数据预处理，包括提取数据标签、查看图片数据、数据可视化、查看数据是否平衡等 第二步：数据加载，打乱数据集 第三步：构建模型，简单介绍网络卷积模型和激活函数...
227 天前 / 矩池云
在上一次肺炎 X 光片的预测中，我们通过神经网络来识别患者胸部的 X 光片，用于检测患者是否患有肺炎。这是一个典型的神经网络图像分类在医学领域中的运用。 另外，神经网络的图像分割在医学领域中也有着很重要的用作。接下来，我们要演示如何在气胸患者的 X 光片上，分割出气胸患者患病区的部位和形状。 那么就让我们来正式开始了。 第一步：导入需要的 Python 包 importsys importcv2 importpydicom importnumpyasnp importpandasaspd importmatplotlib.pyplotasplt frommatplotlibimportpatchesaspatches fromglobimportglob fromtqdmimporttqdm fromp...
231 天前 / 机器视觉与算法建模
综上，算法流程如下： 1) 全纯函数 y=f(w):由于 dy/dw*=0，由推导可知，梯度与实数域结果一样，无需额外实现 2)非全纯函数 y=f(w,w*):a, 求得 g1 = dy/dw，g2 = dy/dw*。b, 拿到上层 backward 回来的梯度，也就是 grad_outputc, 求得本节点的梯度 +=grad_output.g1* + grad_output*.g2 具体实现 pytorch 自动求导机制可以通过继承 torch.autograd.Function 来扩展求导算法。由上可知，只需要扩展非全纯函数即可。 复数的矩阵表示形式为 z[..., 2]，最后维度的 2 个值分别是实部和虚部。
268 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。
283 天前 / Thinkgamer
该系列的其他文章： 常见的五种神经网络(1)-前馈神经网络常见的五种神经网络(2)-卷积神经网络常见的五种神经网络(3)-循环神经网络(上篇)常见的五种神经网络(3)-循环神经网络(中篇)常见的五种神经网络(3)-循环神经网络(下篇)常见的五种神经网络(4)-深度信念网络(上篇)常见的五种神经网络(4)-深度信念网络(下篇)常见的五种神经网络(5)-生成对抗网络(上篇)常见的五种神经网络(5)-生成对抗网络(下篇)在上一篇文章中介绍了生成模型的基本结构、功能和变分自动编码器，在本篇文章中主要介绍一下生成对抗网络（Generative Adversaarial Networks...
318 天前 / Thinkgamer
该系列的其他文章： 常见的五种神经网络(1)-前馈神经网络常见的五种神经网络(2)-卷积神经网络常见的五种神经网络(3)-循环神经网络(上篇)常见的五种神经网络(3)-循环神经网络(中篇)常见的五种神经网络(3)-循环神经网络(下篇)常见的五种神经网络(4)-深度信念网络(上篇)常见的五种神经网络(4)-深度信念网络(下篇)常见的五种神经网络(5)-生成对抗网络在上一篇文章中介绍了玻尔兹曼机和受限玻尔兹曼机（阅读详情）,这篇文章中介绍一下深度信念网络。
332 天前 / Thinkgamer
引言常见的五种神经网络系列第四篇，主要介绍深度信念网络。内容分为上下两篇进行介绍，本文主要是深度信念网络（上）篇，主要介绍以下内容： 背景玻尔兹曼机受限玻尔兹曼机该系列的其他文章： 常见的五种神经网络(1)-前馈神经网络常见的五种神经网络(2)-卷积神经网络常见的五种神经网络(3)-循环神经网络(上篇)常见的五种神经网络(3)-循环神经网络(中篇)常见的五种神经网络(3)-循环神经网络(下篇)常见的五种神经网络(4)-深度信念网络(上篇)常见的五种神经网络(4)-深度信念网络(下篇)常见的五种神经网络(5)-生成对抗网络背景对于一个复杂的数据分布...
337 天前 / 美团技术团队
总第371篇 2019年 第49篇 本文详细阐述了美团在基于神经网络StarNet的行人轨迹交互预测算法的研究。有关轨迹预测算法的研究还在继续，希望能与同行一起交流学习。 1. 背景民以食为天，如何提升超大规模配送网络的整体配送效率，改善数亿消费者在”吃“方面的体验，是一项极具挑战的技术难题。面向未来，美团正在积极研发无人配送机器人，建立无人配送开放平台，与产学研各方共建无人配送创新生态，希望能在一个场景相对简单、操作高度重复的物流配送中，提高物流配送效率。
340 天前 / hyper0x
文 / Adam Gaier 学生研究员 和 David Ha 研究员 Google Research 无论是图像分类还是强化学习，在通过训练神经网络来完成一项给定任务时，都需要对神经网络中每个连接的权重进行调优。 而在创建有效的神经网络时，另一种行之有效的方法是神经架构搜索（通过手工构建的组件，如卷积网络组件或代码块，来搭建神经网络架构）。研究表明，利用这些组件搭建的神经网络架构（如深度卷积网络）在图像处理任务方面具有很强的归纳偏置(inductive biases)，甚至能在随机初始化权重的情况下执行这些任务。
365 天前 / Thinkgamer
共发表：第190篇引言神经网络中的网络优化和正则化问题介绍主要分为一，二，三，四篇进行介绍（如下所示），本篇为最后一篇主要介绍神经网络中的网络正则化。 第一篇包括 网络优化和正则化概述 优化算法介绍 第二篇包括 参数初始化 数据预处理 逐层归一化 第三篇包括 超参数优化 第四篇包括 网络正则化 机器学习模型中的关键是泛化问题，即样本在真实数据集上的期望风险最小化，而在训练集上的经验风险最小化和期望风险并不一致。由于神经网络的拟合能力很强，其在训练集上的训练误差会降的很小，从而导致过拟合。