檢測(cè)到您已登錄華為云國(guó)際站賬號(hào)，為了您更好的體驗(yàn)，建議您訪問國(guó)際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
中國(guó)站
中國(guó)站
International
Europe
檢測(cè)到您已登錄華為云國(guó)際站賬號(hào)，為了您更好的體驗(yàn)，建議您訪問國(guó)際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
處理領(lǐng)域。而研讀卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典論文，對(duì)于學(xué)習(xí)和研究卷積神經(jīng)網(wǎng)絡(luò)必不可缺。今天，給大家推薦一些資料，有論文、知識(shí)圖譜。7份經(jīng)典學(xué)術(shù)論文這些論文大部分都發(fā)表在計(jì)算機(jī)視覺頂級(jí)學(xué)術(shù)會(huì)議上。這7份論文資料，100p以上的內(nèi)容體量。建議收藏學(xué)習(xí)。01 resnet02 CNN03 batchnorm04 alexnet05
躍，打破桎梏，真正進(jìn)入了深度學(xué)習(xí)的時(shí)代。 · 更深還是更寬？：變深比較重要，變寬沒那么重要。增寬的學(xué)習(xí)效率是線性增長(zhǎng)，而加深的學(xué)習(xí)效率是幾何式增長(zhǎng)。有論文論證了深度的重要作用。 · 新手入門的推薦方法：網(wǎng)上找來代碼去跑通。先熟悉/找感覺，再進(jìn)行更多的學(xué)習(xí)。 · 訓(xùn)練方法的變化：隨機(jī)梯度下降/設(shè)置學(xué)習(xí)率。
png1600538500706002867.png 今天華為云服務(wù)器到期，已經(jīng)做釋放，原本想做文章推薦。但是因某種原因，目前暫時(shí)只做到離線文章畫像。后期只能使用筆記本電腦來做。電腦配置cpu為4核8線程，內(nèi)存32G，只能夠開5臺(tái)虛擬機(jī)和PyCharm。剛好能搭建一套高可用hado
Systems》進(jìn)一步全面地歸納了近年來基于知識(shí)圖譜的推薦系統(tǒng)方面的相關(guān)工作，其闡述如下：為了解決信息爆炸問題，增強(qiáng)各種在線應(yīng)用的用戶體驗(yàn)，開發(fā)了基于用戶偏好的推薦系統(tǒng)。盡管為實(shí)現(xiàn)更個(gè)性化的推薦做出了許多努力，但推薦系統(tǒng)仍然面臨著一些挑戰(zhàn)，如數(shù)據(jù)稀疏和冷啟動(dòng)問題。近年來，以知識(shí)圖譜作為邊信息生成推薦引起了人們的極大興
較大時(shí)，Cramér-Rao 下界(Rao, 1945; Cramér, 1946) 表明不存在均方誤差低于最大似然學(xué)習(xí)的一致估計(jì)。因?yàn)檫@些原因（一致性和統(tǒng)計(jì)效率），最大似然通常是機(jī)器學(xué)習(xí)中的首選估計(jì)。當(dāng)樣本數(shù)目小到會(huì)過擬合時(shí)，正則化策略如權(quán)重衰減可用于獲得訓(xùn)練數(shù)據(jù)有限時(shí)方差較小的最大似然有偏版本。
我們經(jīng)常會(huì)需要在已知 P (y | x) 時(shí)計(jì)算 P (x | y)。幸運(yùn)的是，如果還知道 P (x)，我們可以用貝葉斯規(guī)則 (Bayes’ rule) 來實(shí)現(xiàn)這一目的： 注意到 P (y) 出現(xiàn)在上面的公式中，它通常使用 P (y) = ∑x P (y
0那一節(jié)開始看起，環(huán)境呢就不用自己搭建了，直接用modelarts里的開發(fā)環(huán)境Notebook里的jupyterLab，免費(fèi)使用只是每小時(shí)會(huì)停止一下，對(duì)于學(xué)習(xí)來說沒有關(guān)系。基本概念，tensorflow=tensor張量 + flow 流張量具體是啥意思之前不是很明白，只知道張力的概念，比如在亞
從算法上提升性能 a. 算法的篩選 b. 從文獻(xiàn)中學(xué)習(xí) c. 重采樣的方法3. 從算法調(diào)優(yōu)上提升性能 a. 模型可診斷性 b. 權(quán)重的初始化 c. 學(xué)習(xí)率 d. 激活函數(shù) e. 網(wǎng)絡(luò)結(jié)構(gòu) f. batch和epoch g. 正則項(xiàng) h. 優(yōu)化目標(biāo) i. 提早結(jié)束訓(xùn)練4. 從模型融合上提升性能
這個(gè)房?jī)r(jià)預(yù)測(cè)的例子基本就結(jié)束了，下面是用TensorBoard來將算法，和模型訓(xùn)練過程的一些信息進(jìn)行可視化。可視化是一件有意見的工作，有助于信息的理解和推廣?？梢暬趍odelarts的老版的訓(xùn)練作業(yè)下，是收費(fèi)的，但這個(gè)服務(wù)在新版的訓(xùn)練作業(yè)里已經(jīng)沒有了，也行是因?yàn)檫@個(gè)可視化服務(wù)的
終于進(jìn)了一步，看到了MNIST手寫數(shù)字識(shí)別，使用一個(gè)神經(jīng)元。 MNIST數(shù)據(jù)集來自于NIST 美國(guó)國(guó)家標(biāo)準(zhǔn)和技術(shù)研究所。 找學(xué)生和工作人員手寫的。 規(guī)模：訓(xùn)練集55000，驗(yàn)證集5000，測(cè)試集10000。大小約10M。 數(shù)據(jù)集可以在網(wǎng)站上去下載，同時(shí)tf自己里面已經(jīng)集成了這個(gè)數(shù)據(jù)集。
數(shù)據(jù)不是收集的，是自己生成的，好吧~一個(gè)簡(jiǎn)單的例子學(xué)習(xí)用的沒關(guān)系%matplotlib inline這個(gè)是為了讓在jupyter在瀏覽器里能夠顯示圖像。生成y=2x+1的隨機(jī)數(shù)據(jù)，數(shù)據(jù)加背景噪聲限值0.4生成等差數(shù)列,100個(gè)x_data=np.linspace(-1,1,100)y_data=2*x_data+1
訓(xùn)練模型跑出來了后，要使用，但是我們沒有數(shù)據(jù)了，因?yàn)閿?shù)據(jù)都拿去訓(xùn)練了。 所以課程中，隨機(jī)挑了一條訓(xùn)練數(shù)據(jù)來應(yīng)用到模型里來使用。 這樣是不好的，因?yàn)榫拖?span id="2uwm08k" class='cur'>學(xué)習(xí)訓(xùn)練時(shí)將考試題都讓你做過一遍，再讓你考試就不公平了，類似于作弊了。 應(yīng)該是考你運(yùn)用學(xué)到的知識(shí)，來做沒做過的題。 那比較好的做法呢，是有一些數(shù)據(jù)，把這些數(shù)據(jù)分一分，
從人的角度來看，12個(gè)特征比1個(gè)特征要復(fù)雜了很多， 但對(duì)計(jì)算機(jī)來說，無所謂。 在tf里，12元的線性回歸方程的實(shí)現(xiàn)，比1元的線性方程的實(shí)現(xiàn)，代碼上也只是多了一點(diǎn)點(diǎn)復(fù)雜度而已。 這就是計(jì)算機(jī)的優(yōu)勢(shì)。 只是最后訓(xùn)練的結(jié)果，為什么都是nan，像老師說的，臉都黑了哦~ 這次先到這里，請(qǐng)聽下回分解~
落了很長(zhǎng)時(shí)間沒學(xué)，撿起來繼續(xù)。編號(hào)也忘了從哪里接上，就從20開始吧。 前面弄完了一元線性回歸，現(xiàn)在是波士頓房?jī)r(jià)預(yù)測(cè)-多元線性回歸。 數(shù)據(jù)方面，12+1共13個(gè)指標(biāo)，506行數(shù)據(jù)。 前面12個(gè)是多個(gè)維度的數(shù)據(jù)，維度還是比較全面的，是輸入值/特征。 比如：城鎮(zhèn)人均犯罪率、師生比例、住宅比例、邊界是否為河流等
難易程度也可以看出，圍棋是最強(qiáng)調(diào)系統(tǒng)性思維的，所以 AI想要戰(zhàn)勝人類也是最難的。第一講到這里就結(jié)束了，第二講看了一點(diǎn)，其中關(guān)于人工智能機(jī)器學(xué)習(xí)概念，除了公式的定義之外，用類比的方法講的非常的簡(jiǎn)單易懂
上一節(jié)訓(xùn)練不出結(jié)果，都是nan的原因找到了，就是因?yàn)樘卣鲾?shù)據(jù)沒有做歸一化，那歸一化是個(gè)什么概念呢？這里有一個(gè)很好的例子，做一道菜，準(zhǔn)備好材料鴨、筍、....鹽、醬油...水，再加上烹飪火候，可以做出一道菜。上面做菜的每一個(gè)要素，都可以看做一個(gè)特征變量，而重量可以看做是特征變量的值，比如鴨肉xxg
太快步子大了容易扯著蛋，也沒有必要。這里的用學(xué)習(xí)率/步長(zhǎng)來描述這個(gè)節(jié)奏，如果梯度是2.5，學(xué)習(xí)率是0.01，那下一個(gè)嘗試的點(diǎn)是距離前一個(gè)點(diǎn)2.5*0.01=0.0025的位置。（梯度是固定的，還是每走一步都會(huì)變的呢？）個(gè)人認(rèn)為好的學(xué)習(xí)率，不應(yīng)該是一個(gè)固定值，而應(yīng)該是先大后小。也就
在1904年的時(shí)候，生物學(xué)家了解了神經(jīng)元的結(jié)構(gòu)然后在1945年的時(shí)候發(fā)明了神經(jīng)元模型。那么這個(gè)神經(jīng)元的模型真的可以模擬生物的神經(jīng)功能嗎，個(gè)人覺得有點(diǎn)奇妙，不過動(dòng)物植物本來都是很奇妙的存在。所謂的全連接層，就是說某層的一個(gè)節(jié)點(diǎn)，和他上一層的所有節(jié)點(diǎn)都有連接。就像連接的邊長(zhǎng)不同，每條
人工智能相關(guān)的課程，看了一下確實(shí)很不錯(cuò)。課程名稱叫做《深度學(xué)習(xí)應(yīng)用開發(fā) 基于tensorflow的實(shí)踐》。是一個(gè)入門級(jí)別的課程，不需要人工智能的基礎(chǔ)，不需要太多的數(shù)學(xué)知識(shí)，也不需要什么編程經(jīng)驗(yàn)。我覺得很友好呀，所以現(xiàn)在開始學(xué)習(xí)并記錄一下第一講：導(dǎo)論第二講：環(huán)境搭建和Python快
征,?}，用于對(duì)新數(shù)據(jù)做出預(yù)測(cè)模型可將樣本映射到預(yù)測(cè)標(biāo)簽，由模型的內(nèi)部參數(shù)定義，內(nèi)部參數(shù)通過學(xué)習(xí)得到具體到這里，參數(shù)就是 y=wx+b里的w和b，也叫權(quán)重和偏差？在監(jiān)督式學(xué)習(xí)中，機(jī)器學(xué)習(xí)算法通過以下方式構(gòu)建模型：檢查多個(gè)樣本并嘗試找出可最大限度的減少損失的模型。這一過程稱為經(jīng)驗(yàn)風(fēng)
