神经网络
-
关于当前涉人工智能几个法律问题的思考
本文首先介绍了人工智能的两种主要类型及其工作原理,然后探讨了人工智能是否应具有法律主体资格的问题。
-
深入探讨:残差网络解决了什么,为什么有效?
残差网络是深度学习中的一个重要概念。这篇文章将简单介绍残差网络的思想,并结合文献讨论残差网络有效性的一些可能解释。
-
学习Python的11个顶级Github存储库
在本文中,我们介绍了学习Python的11个GitHub存储库。不管您的Python处于哪个水平,上面列举的项目都可以帮助你进一步提升技能。
-
梵高油画用深度卷积神经网络迭代十万次是什么效果?
【迭代500次,重复执行三次】重复计算了三次,使用相同的图片,相同的卷积神经网络模型,相同的迭代次数(500次),却得到了区别明显的三张结果……
-
25张图让你读懂神经网络架构
由于新的神经网络架构无时无刻不在涌现,想要记录所有的神经网络是很困难的事情。要把所有这些缩略语指代的网络(DCIGN,IiLSTM,DCGAN等)都弄清,一开始估计还无从下手。
-
人工智能的三个阶段:我们正从统计学习走向语境顺应
最近我读到了一本名叫《人工智能的三次浪潮(Three Waves of AI)》的书,作者是 DARPA 信息创新办公室主管 John Launchbury,他从一个更长远和宽广的视角,将人工智能的历史与未来划分为了三个阶段。
-
利用深度学习进行时序数据的异常检测
本文介绍神经网络,包括对前馈神经网络和递归神经网络的简要说明,并阐述了如何构建一个检测时间序列数据中异常现象的递归神经网络。
-
如何手动优化神经网络模型(附链接)
翻译:陈丹 校对:车前子来自:微信公众号 数据派THU 本文是一个教授如何优化神经网络模型的基础教程,提供了具体的实战代码供读者学习和实践。 深度学习的神经网络是采用随机梯度下降优化算法对训练数据进行拟合。 利用误差反向传播算法对模型的权值进行更新。优化和权值更新算法的组合是经过仔细挑选的,是目前已知的最有效的拟合神经网络的方法。 然而,也可以使用交替优化算…
-
什么是数据挖掘?
数据挖掘(Data mining)一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息和知识的过程。简单地说就是,在大型数据库中,自动发现有用信息的过程,加以分析。
-
吴恩达:22张图全解深度学习知识
本文从深度学习基础、卷积网络和循环网络三个方面介绍该笔记。
-
什么是神经网络嵌入,为什么要使用它们,以及如何学习它们
神经网络嵌入的解释,非常有用的东西,一看就明白。
-
残差网络新改进:深度残差收缩网络的详细解读
近年来,深度学习领域涌现了大量优秀的成果。本文围绕一种新的深度学习方法,即深度残差收缩网络,展开详细的解读,希望对大家有所帮助。
-
训练神经网络的秘诀,Andrej Karpathy大神的刷屏之作
很多人都曾亲身经历过“卷积神经网络就是这么工作的”和“我们的convnet实现了最先进的结果”之间的巨大差距。
-
为什么深度学习 AI 这么容易被欺骗?
一辆自动驾驶汽车行驶前方是一个停车标志,但它并没有减速,而是加速冲入了繁忙的十字路口。后来的一份事故报告显示,停车标牌的表面被人贴上了四个小方块。这些小方块欺骗了汽车的车载人工智能(AI),将“停止”一词误读为“限速 45”。
-
用 Keras 进行针对图像分类的学习转移,这里有一篇教程
在本教程中,您将学习如何为图像分类任务进行转移学习。 Keras的高级API使超级简单,只需几个简单的步骤。