檢測到您已登錄華為云國際站賬號，為了您更好的體驗，建議您訪問國際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
檢測到您已登錄華為云國際站賬號，為了您更好的體驗，建議您訪問國際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
PyTorch是一款可以媲美于TensorFlow的優(yōu)秀深度學(xué)習(xí)計算框架，而且相比于TensorFlow在語法上更具靈活性。PyTorch原生于一款小眾語言Lua，而后基于Python版本具備了強大的生命力。作為一款基于Python的深度學(xué)習(xí)計算庫，PyTorch提供了高于Num
另一個策略是保持從第一輪訓(xùn)練獲得的參數(shù)，然后使用全部的數(shù)據(jù)繼續(xù)訓(xùn)練。在這個階段，已經(jīng)沒有驗證集指導(dǎo)我們需要在訓(xùn)練多少步后終止。相反，我們可以監(jiān)控驗證集的平均損失函數(shù)，并繼續(xù)訓(xùn)練，直到它低于提前終止過程終止時的目標值。此策略避免了重新訓(xùn)練模型的高成本，但表現(xiàn)并沒有那么好。例如，驗證
深度學(xué)習(xí)系統(tǒng)，學(xué)習(xí)的是輸入和輸出之間復(fù)雜的相關(guān)性，但是學(xué)習(xí)不到其間的因果關(guān)系。雖然有人工神經(jīng)網(wǎng)絡(luò)通過構(gòu)建和加強聯(lián)系，深度學(xué)習(xí)從數(shù)學(xué)上近似了人類神經(jīng)元和突觸的學(xué)習(xí)方式。訓(xùn)練數(shù)據(jù)被饋送到神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)會逐漸進行調(diào)整，直到以正確的方式做出響應(yīng)為止。只要能夠看到很多訓(xùn)練圖像并具有足夠
必須掌握對特定對象（如移動身體的部分）保持不變的因素。因此根據(jù)流形正切分類器提出的算法相當簡單：（1）使用自編碼器通過無監(jiān)督學(xué)習(xí)來學(xué)習(xí)流形的結(jié)構(gòu)，以及（2）如正切傳播（式 (7.67) ）一樣使用這些切面正則化神經(jīng)網(wǎng)絡(luò)分類器。
Dropout的另一個顯著優(yōu)點是不怎么限制適用的模型或訓(xùn)練過程。幾乎在所有使用分布式表示且可以用隨機梯度下降訓(xùn)練的模型上都表現(xiàn)很好。包括前饋神經(jīng)網(wǎng)絡(luò)、概率模型，如受限玻爾茲曼機(Srivastava et al., 2014)，以及循環(huán)神經(jīng)網(wǎng)絡(luò)(Bayer and Osendorfer
最大值池化最大值池化是最常見、也是用的最多的池化操作。最大值池化的核心代碼可以描述為：// 摘選自caffe并稍加修改.top_data = -FLT_MAX; for (int h = hstart; h < hend; ++h) { for (int w = wstart;
最大值池化最大值池化是最常見、也是用的最多的池化操作。最大值池化的核心代碼可以描述為：// 摘選自caffe并稍加修改.top_data = -FLT_MAX; for (int h = hstart; h < hend; ++h) { for (int w = wstart;
機器學(xué)習(xí)的主要挑戰(zhàn)是我們的算法必須能夠在先前未觀測的新輸入上表現(xiàn)良好，而不只是在訓(xùn)練集上效果好。在先前未觀測到的輸入上表現(xiàn)良好的能力被稱為泛化 (generalization)。通常情況下，當我們訓(xùn)練機器學(xué)習(xí)模型時，我們可以訪問訓(xùn)練集，在訓(xùn)練集上計算一些度量誤差，被稱為訓(xùn)練誤差 (training
因為這個求和包含多達指數(shù)級的項，除非該模型的結(jié)構(gòu)允許某種形式的簡化，否則是不可能計算的。目前為止，無法得知深度神經(jīng)網(wǎng)絡(luò)是否允許某種可行的簡化。相反，我們可以通過采樣近似推斷，即平均許多掩碼的輸出。即使是 10 − 20 個掩碼就足以獲得不錯的表現(xiàn)。然而，一個更好的方法能不錯地近似
的模型中，能夠很好地解釋已知數(shù)據(jù)并且十分簡單才是最好的模型，也就是應(yīng) 該選擇的模型。從貝葉斯估計的角度來看，正則化項對應(yīng)于模型的先驗概率。可以假設(shè)復(fù)雜的模型有較大的先驗概率，簡單的模型有較小的先驗概率。需要注意的是，在正則化的時候，bais是不需要正則化的，不然可能會導(dǎo)致欠擬合！
法可被定義，矩陣A的列數(shù)必須和矩陣B的行數(shù)相等。如果矩陣A的形狀是m x n，矩陣B的形狀是n x p，那么矩陣C的形狀是m x p。我們可以通過將兩個或多個矩陣并列放置以書寫矩陣乘法，列如 C=AB需要注意的是，兩個矩陣的標準乘積不是指兩個矩陣中對應(yīng)元素的乘積。不過，那樣的矩陣
本文稱之為深度跨模態(tài)檢索。本文將從以下角度綜述近些年來代表性的深度跨模態(tài)檢索論文，基于所提供的跨模態(tài)信息將這些方法分為三類：基于跨模態(tài)數(shù)據(jù)間一一對應(yīng)的、基于跨模態(tài)數(shù)據(jù)間相似度的以及基于跨模態(tài)數(shù)據(jù)語義標注的深度跨模態(tài)檢索。一般來說，上述信息呈現(xiàn)遞增的情況，且提供學(xué)習(xí)的信息越多，跨
深度學(xué)習(xí)源于神經(jīng)網(wǎng)絡(luò)的研究，可理解為深層的神經(jīng)網(wǎng)絡(luò)。通過它可以獲得深層次的特征表示，免除人工選取特征的繁復(fù)冗雜和高維數(shù)據(jù)的維度災(zāi)難問題。目前較為公認的深度學(xué)習(xí)的基本模型包括： 基于受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)的深度信念網(wǎng)絡(luò)(Deep
這種情況下，信息論告訴我們?nèi)绾卧O(shè)計最優(yōu)編碼，以及計算從一個特定的概率分布上采樣得到、使用多種不同的編碼機制的消息的期望長度。在機器學(xué)習(xí)中，我們也可以把信息論應(yīng)用在連續(xù)型變量上，而信息論中一些消息長度的解釋不怎么使用。信息論是電子工程和計算機科學(xué)的許多領(lǐng)域的基礎(chǔ)。在本書中，我們主要
正則化在深度學(xué)習(xí)的出現(xiàn)前就已經(jīng)被使用了數(shù)十年。線性模型，如線性回歸和邏輯回歸可以使用簡單、直接、有效的正則化策略。許多正則化方法通過對目標函數(shù) J 添加一個參數(shù)范數(shù)懲罰 ?(θ)，限制模型（如神經(jīng)網(wǎng)絡(luò)、線性回歸或邏輯回歸）的學(xué)習(xí)能力。我們將正則化后的目標函數(shù)記為˜(θ; X, y)
大多數(shù)優(yōu)化算法的先決條件都是我們知道精確的梯度或是Hessian 矩陣。在實踐中，通常這些量會有噪聲，甚至是有偏的估計。幾乎每一個深度學(xué)習(xí)算法都需要基于采樣的估計，至少使用訓(xùn)練樣本的小批量來計算梯度。在其他情況，我們希望最小化的目標函數(shù)實際上是難以處理的。當目標函數(shù)不可解時，通常
當輸入向量的每個度量不被保證的時候，分類問題將會變得有挑戰(zhàn)性。為了解決分類任務(wù)，學(xué)習(xí)算法只需要定義一個從輸入向量映射到輸出類別的函數(shù)。當一些輸入可能丟失時，學(xué)習(xí)算法必須學(xué)習(xí)一組函數(shù)，而不是單個分類函數(shù)。每個函數(shù)對應(yīng)著分類具有不同缺失輸入子集的 x。這種情況在醫(yī)療診斷中經(jīng)常出現(xiàn)，因
一些軟件框架支持使用高階導(dǎo)數(shù)。在深度學(xué)習(xí)軟件框架中，這至少包括 Theano和 TensorFlow。這些庫使用一種數(shù)據(jù)結(jié)構(gòu)來描述要被微分的原始函數(shù)，它們使用相同類型的數(shù)據(jù)結(jié)構(gòu)來描述這個函數(shù)的導(dǎo)數(shù)表達式。這意味著符號微分機制可以應(yīng)用于導(dǎo)數(shù)（從而產(chǎn)生高階導(dǎo)數(shù)）。在深度學(xué)習(xí)的相關(guān)領(lǐng)域，很少會計算
水，再加上烹飪火候，可以做出一道菜。上面做菜的每一個要素，都可以看做一個特征變量，而重量可以看做是特征變量的值，比如鴨肉xxg,(特征變量是鴨肉，值是xxg)筍xxg,...鹽xxg,水xxg，這里特征變量的值是有量級的差異的，比如水和鹽來說吧，水可以50g位為單位去加減來調(diào)
學(xué)生認證 客戶進行個人實名認證后，可以進行學(xué)生認證，學(xué)生認證環(huán)節(jié)填寫的個人信息必須與個人實名認證信息相同。通過學(xué)生認證的客戶，可以體驗華為云面向高校學(xué)生的相關(guān)扶持政策和優(yōu)惠活動。 注意事項 客戶必須先進行個人實名認證，才能進行學(xué)生認證。 學(xué)生認證環(huán)節(jié)填寫的個人信息必須與個人實名認證信息相同。
