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. 控制科学发展前沿讲座报告.pdf

  2. 在对超像素的多种生成方法有一定了解之后，比较各种算法的优劣，可以发现无论是那种算法都 很难做到对超像素数量的良好控制，把图像分割成超像素后，超像素的数量要么大于预期值造成过分 割，要么小于预期值造成欠分割。 而造成超像素数量难以控制的原因则是因为不同算法在由于自身策略的需要造成超像素数量的偏 差，以超像素分割中最经典的 SLIC 算法为例，分析其背后原因。 首先介绍一下 SLIC 算法，算法大致思想为:将图像从 RGB 颜色空间转换到 CIE-Lab 颜色空间， 对应每个像素的(l, a, b

  3. 所属分类：图像处理

    • 发布日期：2019-05-18
    • 文件大小：1048576
    • 提供者：papernoise

  1. AI学习知识点.xmind

  2. *AI学习知识点* 1. 基础知识 概率论 微积分与逼近论 极限、微分、积分的基本概念 利用逼近的思想理解微积分，利用积分的方式理解概率论 概率论的基础 古典模型 常见的概率分布 大数定理和中心极限定理 协方差和相关系数 最大似然估计和最大后验估计 凸优化 凸优化的基本概念 凸函数 凸集 凸优化问题的标准形式 线性代数及矩阵 线性空间及线性变化 矩阵的基本概念 状态转移矩阵 特征

  3. 所属分类：Python

    • 发布日期：2019-07-15
    • 文件大小：240640
    • 提供者：lingfeian

  1. 阵列信号处理试题及答案_国科大.pdf

  2. 本资源是国科大阵列信号处理课程考试的一套题，附有当时考生的个人完整答案总结在误差(协方差矩阵估计精度受样本数目的限制),会影响波束形成器的性能。随着 快拍数增加,波束形成器性能逐渐趋向于 波束形戊器。数据样本中不存在期 望信号时,要保证波束输出比最优情况下损失在以内,样本快拍数大约需 要大于2M。数据样本中期望信号越大,波束形成器的性能下降约严重。 如下图所示,假设M=2 泼束形成器加权向量为 WMVDR=a924,主要考虑以 下几种情况:只有空间白噪声时,Rx=1 波束形成器蜕化为常规波東形成

  3. 所属分类：讲义

    • 发布日期：2019-07-08
    • 文件大小：586752
    • 提供者：cxk207017

  1. AI基础：机器学习的损失函数

  2. AI 基础：简易数学入门 AI 基础：Python开发环境设置和小技巧 AI 基础：Python 简易入门 AI 基础：Numpy 简易入门 AI 基础：Pandas 简易入门 AI 基础：Scipy(科学计算库) 简易入门 AI基础：数据可视化简易入门（matplotlib和seaborn） AI基础：机器学习库Scikit-learn的使用 AI基础：机器学习简易入门 AI基础：特征工程-类别特征 AI基础：特征工程-数字特征处理

  3. 所属分类：机器学习

    • 发布日期：2020-10-11
    • 文件大小：2097152
    • 提供者：hljlzc2007

  1. PaddleDetection-Pedestrians-Detection-and-Tracking:中软杯baseline-基于百度飞轮的单多镜头行人追踪，使用百度飞轮PaddleDetection套件的PP-YOLO + Sort算法开

  2. PaddleDetection训练单/多镜头行人追踪模型 项目效果： 项目AI Studio： : 视频地址： : !z ip code . zip - r work / PaddleDetection - release - 2.0 - rc / 简介 PaddleDetection飞轮目标检测开发套件，有助于开发者更快更好地完成检测模型的组建，训练，优化及部署等全开发流程。 PaddleDetection快速地实现了多种主流目标检测算法，提供了丰富的数据增强策略，网络模块组件（如

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：11534336
    • 提供者：weixin_42151373

  1. GlobalAIHubDLCourse-源码

  2. 欢迎与LeadingIndia.ai合作阅读我们的AI和深度学习课程库简介！ 您可以通过访问与LeadingIndia.ai合作找到有关我们的AI和深度学习入门课程的更多信息 要注册我们的课程，您可以通过访问找到适合您日程的下一门 教学大纲 第一天 理论：人工智能和深度学习导论 动机：深度学习的基础和术语 AI vs ML vs DL：比较 特征和重量 机器学习回顾：线性回归，逻辑回归 激活功能。 动手 Python编程简介 第二天 理论：神经网络 神经网络 损失函数 梯度下降 前馈和后向

  3. 所属分类：其它

    • 发布日期：2021-03-05
    • 文件大小：2097152
    • 提供者：weixin_42131785

  1. 深度学习入门-源码

  2. 欢迎与LeadingIndia.ai合作阅读我们的AI和深度学习课程库简介！ 您可以通过访问与LeadingIndia.ai合作找到有关我们的AI和深度学习入门课程的更多信息 要注册我们的课程，您可以通过访问找到适合您日程的下一门 教学大纲 第一天 理论：人工智能和深度学习导论 动机：深度学习的基础和术语 AI vs ML vs DL：比较 特征和重量 机器学习回顾：线性回归，逻辑回归 激活功能。 动手 Python编程简介 第二天 理论：神经网络 神经网络 损失函数 梯度下降 前馈和后向

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：2097152
    • 提供者：weixin_42179184

  1. warp-ctc：快速并行CTC-源码

  2. 经编 在CPU和GPU上快速并行实现CTC。 介绍 主义者的是一种损失函数，可用于对序列数据进行监督学习，而无需在输入数据和标签之间进行对齐。 例如，CTC可用于训练用于，这就是我们在百度的硅谷AI实验室中一直使用的方式。 上图显示了CTC计算输出序列“ THE CAT”的概率，作为可能映射到“ THE CAT”的输入序列的所有可能比对的总和，同时考虑到标签可能会重复，因为它们可能会延伸多个输入数据的时间步长（由图像底部的频谱图表示）。 由于所涉及的组合运算法则，显式地计算所有这些概率的和将是

  3. 所属分类：其它

    • 发布日期：2021-02-28
    • 文件大小：275456
    • 提供者：weixin_42175516

  1. COURSERA-ML_with_TF_certif：MOOC准备TF认证-源码

  2. COURSERA-ML_with_TF_certif 我的笔记/ MOOC准备TF认证 第1部分-TF for AI简介 第一周 传统编程：规则+数据=>答案 机器学习：数据+答案=>规则 密集层：连接的神经元层 损失函数衡量当前的“猜测”有多好 优化器产生新的和改进的猜测 收敛是非常接近正确答案的过程 model.fit训练神经网络使一组值适合另一组 第二周 Relu：仅当x大于零时才返回x Softmax采用一组值，并有效地选择最大的值 将数据分为训练和测试集，以使用以前看不

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：6291456
    • 提供者：weixin_42140846

  1. pine：用于解释深度神经网络预测的可解释AI框架-源码

  2. PINE：并行口译员网络 介绍 PINE（P arallel我nterpreter NE twork）是一种新型的可解释性框架，它提供DNNs体面的解释，以使后面的黑盒模型成为对用户透明的决策推理。 PINE是如何工作的？ PINE的结构由两个并行网络组成。 主要模型是我们要解释的主要模型，而Interperter是一个自动编码器网络，它与主要模型平行训练，最终了解了主要模型的预测方式。 由于PINE内部的损失函数，在经过训练过程的每次传播之后，解释器都会学习更多有关如何基于Main Mo

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：35651584
    • 提供者：weixin_42181693

  1. 产品组合：应用数据科学和机器学习解决现实世界中的见解问题-源码

  2. 数据科学组合 博天 该产品组合包含我的数据科学项目，相关实践和证书。 如果您有任何问题或意见，请告诉我。 专案 在此端到端机器学习项目中，我们开发了XGBoost模型，并使用AI平台将其提供给Google Cloud Platform（GCP）。 我们工作的目的是通过分析用户在网站上的行为来预测音乐流媒体服务KKBox的用户是否会“搅动”（即离开此基于订阅的服务）。 在这个项目中，我构建了一个来预测NBA的比赛结果。 为了使该模型有利可图，我将后端谓词模型设计为前馈神经网络，使用玩家级别特征和

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：33554432
    • 提供者：weixin_42140716

  1. AI-Chess：算法项目：使用minmax算法和alpha beta修剪的AI Chess Engine-源码

  2. 国际象棋 该项目专注于计算机科学概念，例如数据结构和算法。 Chessnut是我们用于所有移动和棋逻辑的棋引擎。 我们正在使用一棵树来生成可能的棋盘，该棋盘可进行3级深度和深度优先搜索，最小极大值和alpha-beta修剪，以根据以下启发式方法找到最佳动作： 材料（每个玩家的总件数） 可能采取的法律行动的数量，重点是中心广场 检查/检查状态 典当结构 当前，由于递归函数要使用大量的计算能力，因此尝试实现多处理功能，因此在超过4个级别的深度上计算启发式状态需要花费大量时间。 深度为3级时，我们

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：21504
    • 提供者：weixin_42118056

  1. lemons：for dl框架，用于ai的非规范，无依赖项-源码

  2. 柠檬 柠檬是免费的依赖项！ Lemons是dl社区非规范的python库。 它没有依赖项，仅使用python内置库。 您可以在MIT许可下随时帮助和使用代码，所有帮助都非常感谢！ 使用 对于软件包安装，您使用： pip3 install https://github.com/Y0N1N1/lemons.git --upgrade 动机 Tensorflow，Keras，PyTorch等显然是构建具有高度自由度的神经网络的主要框架，但这些框架以非常标准化的方式提供了解决方案，用户只能从提供的选

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：794624
    • 提供者：weixin_42112685

  1. fastai：我的fast.ai v3和v4回购-源码

  2. 法泰 快速书 我的fast.ai fastbook和v4回购 :grinning_cat_face_with_smiling_eyes: fastai让我很高兴，能够最终将ml付诸实践！ 注意：YouTube和网站上的视频讲座非常不同。 最好的地方是网站，我希望它会更新为最新内容。 对于v4，我将遵循FASTBOOK- 在各章中讨论的重要事项： 第四章 数组和张量 广播 新元 损失函数的选择-L1（绝对差）和L2（差平方）范数 小批量的作用 基本神经网络数学 第6章 多标签分类 使用一个热

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：83886080
    • 提供者：weixin_42143221

  1. PConv-Keras：“使用部分卷积对不规则Kong进行图像修复”的非正式执行。 尝试：www.fixmyphoto.ai-源码

  2. 使用Keras进行图像卷积的局部卷积 Keras的“使用部分卷积对不规则Kong进行图像修补”的实现， 。 来自NVIDIA公司的刘桂林，Fitsum A.Reda，Kevin J.Shih，Ting-Chun Wang，Andrew Tao和Bryan Catanzaro对此发表了精彩的论文，引起了巨大的欢呼，这对我实现该体系结构是一次很好的学习经历，部分卷积层和损失函数。 依存关系 Python 3.6 Keras 2.2.4 Tensorflow 1.12 如何使用这个仓库 尝试使用

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：17825792
    • 提供者：weixin_42133415

  1. texar-pytorch：将TF的最佳功能集成到PyTorch中，用于机器学习，自然语言处理和文本生成。 这是CASL项目的一部分：http：casl-project.ai-源码

  2. Texar-PyTorch是一个工具包，旨在支持广泛的机器学习，尤其是自然语言处理和文本生成任务。 Texar提供了易于使用的ML模块和功能库，用于组成任何模型和算法。 该工具是为研究人员和从业人员设计的，用于快速原型制作和实验。 Texar-PyTorch最初开发，由和与其他研究所合作积极贡献。 维护此存储库的镜像。 Texar-PyTorch将TensorFlow的许多最佳功能集成到PyTorch中，提供了优于PyTorch本机模块的高度可用和可定制的模块。 主要特点 两种版本，（大多数）

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：1048576
    • 提供者：weixin_42168555

  1. Hey-Jetson：基于深度学习的自动语音识别，关注Nvidia Jetson-源码

  2. 嘿，杰森！ 自动语音识别推理 布莱斯·沃克（Brice Walker） 该项目在Keras / Tensorflow中构建了一个可扩展的，基于注意力的语音识别平台，以便在Edge上针对AI的Nvidia Jetson嵌入式计算平台进行推理。 自动语音识别的这种实际应用是受我以前在心理健康领域的职业启发的。 该项目开始了为构建实时治疗干预推断和反馈平台的旅程。 最终目的是构建一个工具，该工具可以为治疗师提供有关其干预效果的实时反馈，但是设备上的语音识别在移动，机器人或其他不希望基于云的深度学习的

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：1073741824
    • 提供者：weixin_42171208

  1. 公益AI第二次学习打卡

  2. 首先还是要感谢平台给了自己一次学习的机会。自己平常也会跟着书上的内容敲敲代码，但对于理论知识还是一知半解。每节课后的习题给了自己一个巩固复习的机会，让自己能够清楚学习的重点，查漏补缺。 在这几天的学习中，自己的收获也很多。首先对于欠拟合和过拟合问题。在训练模型中经常会遇到两类典型问题：一类是模型无法得到较低的训练误差，我们将这一现象称作过拟合；另一类是模型的训练误差远小于它在训练数据集上的误差，我们称该现象为过拟合。 在应对过拟合问题时，我们常用到正则化的方式。权重衰减等于L2范数正则化。正则化

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：53248
    • 提供者：weixin_38727087

  1. TensorFlow_AdvancedTechniques:TensorFlow-源码

  2. TensorFlow_高级技术 TensorFlow：deeplearning.ai的高级技术专长 课程1：自定义模型，层和损失函数 功能性API 自定义损失函数 自定义层 定制模型 回呼 课程2：使用TensorFlow进行自定义和分布式培训 差异和梯度 定制培训 图形模式 分布式培训 课程3：使用TensorFlow进行高级计算机视觉 计算机视觉概论 对象检测（包括TensorFlow对象检测API） 图像分割 可视化和可解释性

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：36700160
    • 提供者：weixin_42160278

  1. open-research-源码

  2. 开放研究 该项目的目标是创建，分类和跟踪我拥有的AI研究思想的进展。理想情况下，其他人也将贡献自己的想法和/或实现我的不完整想法。随意创建拉取请求。 项目的主要组织应分为三类： 基础设施：我正在考虑将基础设施作为多个项目的通用工具，包括数据集处理和操作之类的东西。 架构：我认为架构是具有新颖设计的新神经网络模型的测试和结果 组件：我正在考虑将组件作为低层组件，例如新层，正则化或不同体系结构通用的损失函数 我希望通过我希望在空闲时间能从事的工作的愿望清单来保持最新状态。

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：3072
    • 提供者：weixin_42146888
« 12 »