注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Deep Learning（深度学习）学习笔记整理系列pdf

  2. 原创作者是Zouxy,整个笔记在他博客上，为了方便大家保存阅读，我将其整理成了pdf文档，希望大家多多交流。 目录 一、概述 2 二、背景 5 三、人脑视觉机理 8 四、关于特征 10 4.1、特征表示的粒度 10 4.2、初级（浅层）特征表示 11 4.3、结构性特征表示 14 4.4、需要有多少个特征？ 16 五、Deep Learning的基本思想 17 六、浅层学习（Shallow Learning）和深度学习（Deep Learning） 18 七、Deep learning与Neu

  3. 所属分类：其它

    • 发布日期：2015-09-09
    • 文件大小：1048576
    • 提供者：cdownload_zxl

  1. 深度学习笔记（一）：基于numpy的深度神经网络程序总览

  2. 在看完了Andrew Ng教授的deeplearning.ai课程和李飞飞教授的cs231n课程后，总觉得应该写点笔记将学习过程记录下来，但内容不少，需要时间慢慢整理，故先将学习成果记录下来，是一段深度神经网络的程序，基于python科学计算库numpy的。还有一段代码是基于tensorflow的，在深度学习笔记（二）：基于tensorflow的深度神经网络程序总览中在记录吧（目前未发布）。虽然tensorflow很是方便，但是总觉得封装太好，只看代码根本学习不到什么，用numpy写一遍深度神

  3. 所属分类：深度学习

  1. 深度学习笔记（二）：基于tensorflow gpu版本的深度神经网络程序总览

  2. 在第一篇笔记深度学习笔记（一）：基于numpy的深度神经网络程序总览 之后，又用tensorflow的gpu版本实现了一遍，果然封装很好，写起来很舒服，速度也快很多，100次epoch分分钟就结束了，效果和第一篇笔记中基于numpy的效果差不多，以下是代码，比基于numpy的代码少了一多半。

  3. 所属分类：深度学习

  1. pytorch动手深度学习的笔记[二]

  2. 一.循环神经网络 循环神经网络基于当前的输入与过去的输入序列，预测序列的下一个字符。它引入一个隐藏变量H，用Ht表示H在时间步t的值。Ht的计算基于Xt和Ht−1，可以认为Ht记录了到当前字符为止的序列信息，利用Ht对序列的下一个字符进行预测。 1.隐状态的引入 2.one-hot向量 3.初始化模型参数：隐藏层参数，输出层参数。 4.定义模型后裁剪梯度，定义预测函数，定义模型训练函数，使用困惑度评价模型。 二.循环神经网络进阶 GRU ⻔控循环神经⽹络：捕捉时间序列中时间步距离较⼤的依赖关系。

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：83968
    • 提供者：weixin_38735570

  1. 伯禹公益AI《动手学深度学习PyTorch版》Task 08 学习笔记

  2. 伯禹公益AI《动手学深度学习PyTorch版》Task 08 学习笔记 Task 08：文本分类；数据增强；模型微调 微信昵称：WarmIce 文本分类 前面一堆数据处理和对双向循环神经网络的讲解可以忽略了，之前都讲过，咱也都详细聊过。 这里主要说一下情感分类在使用双向循环神经网络时的一个细节。我们可以根据双向循环网络得到t个时刻的双向的经过concat的隐藏状态，那么如何利用这t个信息进行二分类呢（假设只进行正面与反面的二分类）。给的例子中，只使用了第1个时刻的concat后的隐藏状态与第t

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：99328
    • 提供者：weixin_38706455

  1. 动手学深度学习-学习笔记（五）

  2. 本文的主要内容有：：卷积神经网络基础；leNet；卷积神经网络进阶 一、卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：251904
    • 提供者：weixin_38706951

  1. 深度学习—学习笔记（二）

  2. 模型选择、过拟合和欠拟合 1、训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。机器学习模型应关注降低泛化误差。 2、模型选择 验证数据集

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：103424
    • 提供者：weixin_38589314

  1. DATAWHALE-动手学深度学习PyTorch 笔记记录2 attention mask

  2. 【Attention中mask pad的weight的做法】 在attention中，对attention score进行softmax时，需要考虑到query与pad计算得到的score应该忽略。我们在处理时可以先正常地用高维tensor形式将所有score计算出来，然后根据key的句长将pad所在位置的weight进行mask掉。 下面的代码实现了给定二维tensor X，根据X_len将X中指定位置替换为value值。 def SequenceMask(X, X_len,value=-1e

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：182272
    • 提供者：weixin_38523728

  1. 深度学习学习笔记(二)

  2. （一）过拟合欠拟合及其解决方案 训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。 机器学习模型应关注降低泛化误差。 验证数据集 从严格意义

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：659456
    • 提供者：weixin_38743119

  1. 机器学习笔记1_机器学习基础

  2. # 机器学习笔记1_机器学习基础 人工智能，机器学习，深度学习的关系 关于数据 牢记:up_arrow:图 数据特征例子（帮助理解）： 机器学习的基本任务 机器学习（或者说其中的监督学习）的基本任务可以分为: 分类任务 回归任务 分类任务： 分类任务的结果是几个类别，是非连续的。分类任务可以分为： 二分类 多分类 二分类 判断邮件是否为垃圾邮件 判断股票是涨还是跌 多分类 数字的识别 学生成绩的评级ABC 某些算法只能完成二分类，但可以将多分类任务转化为二分类。 回归任务（数据） 结果是一

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：375808
    • 提供者：weixin_38693192

  1. 动手学习深度学习_笔记5

  2. 5.1 卷积神经网络基础 主要是卷积层和池化层。 二维互相关运算的输入是一个二维输入数组和一个二维核数组，输出也是一个二维数组，其中核数组称为卷积核或过滤器。 def corr2d(X, K): H, W = X.shape h, w = K.shape Y = torch.zeros(H - h + 1, W - w + 1) for i in range(Y.shape[0]): for j in range(Y.shape[1]):

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：48128
    • 提供者：weixin_38655990

  1. 动手学深度学习 Task4 笔记

  2. 机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer 2.15-2.19 一、机器翻译及相关技术 定义： 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 数据预处理 分词 建立词典 载入数据集 二、注意力机制与Seq2seq模型 在“编码器—解码器（seq2seq）”⼀节⾥，解码器在各个时间步依赖相同的背景变量（context

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：62464
    • 提供者：weixin_38516040

  1. 动手学深度学习 Task3 笔记

  2. 过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 2.15-2.19 一、过拟合、欠拟合及其解决方案 1、过拟合问题 模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。 产生过拟合的可能原因 模型复杂度过高 训练数据过少，特别是比模型参数数量（按元素计）更少 解决过拟合的方案 降低模型复杂度 增加训练数据 在计算资源允许的范围之内，我们通常希望训练数据集大一些 2、欠拟合问题 模型无法得到较低的训练误差，我们将这一现象称作欠拟合（unde

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：43008
    • 提供者：weixin_38669832

  1. 深度学习笔记（二）：DL资料汇总-附件资源

  2. 深度学习笔记（二）：DL资料汇总-附件资源

  3. 所属分类：互联网

  1. 深度学习笔记（二）：DL资料汇总-附件资源

  2. 深度学习笔记（二）：DL资料汇总-附件资源

  3. 所属分类：互联网

  1. 深度学习笔记（二）：DL资料汇总-附件资源

  2. 深度学习笔记（二）：DL资料汇总-附件资源

  3. 所属分类：互联网

  1. 深度学习笔记（二）：DL资料汇总-附件资源

  2. 深度学习笔记（二）：DL资料汇总-附件资源

  3. 所属分类：互联网

  1. 动手学深度学习打卡之二。

  2. 第二次打卡内容（2月15日-18日） Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶（1天） Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer（1天） Task05：卷积神经网络基础；leNet；卷积神经网络进阶（1天） 感觉内容比较多啦，终于看完了。。 下面附上一些学习中查到的资料。 Deep Learning（深度学习）学习笔记整理系列之（一） b站上动手学深度学习 开学前要学完哦！！加油！！ 作者：poppy917

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：28672
    • 提供者：weixin_38506835

  1. 深度学习入门笔记（二十）：经典神经网络（LeNet-5、AlexNet和VGGNet）

  2. 专栏——深度学习入门笔记 声明 1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。 2）本文仅供学术交流，非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益，还望海涵，并联系博主删除。 3）博主才疏学浅，文中如有不当之处，请各位指出，共同进步，谢谢。 4）此属于第一版本，若有错误，还需继续修正与增删。还望大家多多指点。大家都共享一点点，一起为祖国科研的推进添砖加瓦。 文章目录专栏——深度学习入门笔记声明深度学习入门笔记（二十）：经

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：466944
    • 提供者：weixin_38629920

  1. ElitesAI·动手学深度学习PyTorch版学习笔记-卷积神经网络基础；leNet；卷积神经网络进阶

  2. 宅家中看到Datawhale的学习号召，在大牛云集的群上找到了一个很佛系的小组，战战兢兢地开始了小白的深度学习之旅。感谢Datawhale、伯禹教育、和鲸科技，感谢课程制作者、组织者、各位助教以及其他志愿者！ 1 卷积神经网络基础 1.1 二维卷积 本小节介绍了二维卷积，主要用于图像数据（刚好是二维的数据）处理。 二维卷积通过输入二维数据和二维核数据的运算（卷积），得到一个小于输入数据的二维输出数据，但是该输出数据依然部分保存了输入数据的信息。输出的二维数据可以看作输入数据的一个缩略图，也叫

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：51200
    • 提供者：weixin_38652196
« 12 3 »