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. Applied Deep Learning

  2. 使用深度学习中的高级主题，例如优化算法，超参数调整，丢失和错误分析，以及解决训练深度神经网络时遇到的典型问题的策略。您将首先研究激活函数，主要是使用单个神经元（ReLu，Sigmoid和Swish），了解如何使用TensorFlow执行线性和逻辑回归，并选择正确的成本函数。 下一节将讨论具有多个层和神经元的更复杂的神经网络架构，并探讨权重随机初始化的问题。整章专门介绍神经网络误差分析的完整概述，给出了解决来自不同分布的方差，偏差，过度拟合和数据集的问题的示例。 Applied Deep Lear

  3. 所属分类：深度学习

    • 发布日期：2018-12-26
    • 文件大小：11534336
    • 提供者：weixin_39397839

  1. pytorch中文文档.pdf

  2. PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发，不仅能够 实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能： 1.具有强大的GPU加速的张量计算（如Numpy） 2.包含自动求导系统的深度神经网络 除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。 官方教程包含了 Py

  3. 所属分类：互联网

    • 发布日期：2020-05-07
    • 文件大小：16777216
    • 提供者：weixin_43433969

  1. PyTorch官方教程中文版.pdf

  2. PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发，不仅能够 实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能： 1.具有强大的GPU加速的张量计算（如Numpy） 2.包含自动求导系统的深度神经网络 除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。 官方教程包含了

  3. 所属分类：深度学习

    • 发布日期：2020-02-14
    • 文件大小：16777216
    • 提供者：fendouai

  1. CS6910-A1-源码

  2. 从头开始的神经网络 作业1：深度学习基础 我们在python中使用numpy从零开始实现了一个神经网络。 该代码可在名为Assignment1.ipynb的ipython笔记本中使用。 我们在这里解释代码以及如何使用它来再现结果。 激活功能 我们已经实现了S型，tanh，ReLU和线性激活函数以及它们的梯度。 损失函数 当应用softmax函数时，我们已经实现了交叉熵和均方误差损失及其梯度。 重量初始化 我们已经实现了随机和Xavier权重初始化方法。 优化器 我们已经实现了sgd ，动量， n

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：119808
    • 提供者：weixin_42140716

  1. Deep_Neural_Networks_from_Scratch:Python类，用于定义，训练和评估用于分类和回归任务的模型对象。 使用NumPy实现-源码

  2. 使用NumPy从零开始的深度神经网络 该项目实现了Python类，以定义，训练和评估用于分类和回归任务的深度神经网络模型。 它使用具有各种激活功能，优化程序和正则化程序的反向传播算法来训练模型对象。 该项目是完全使用NumPy库从头开始构建的。 没有使用深度学习框架。 有关此项目的详细说明以及结果，请参见。 入门 先决条件 在本地系统上运行此项目需要安装以下软件包： 麻木 matplotlib 可以使用pip从Python软件包索引中安装它们，如下所示： pip install numpy

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：276480
    • 提供者：weixin_42131541

  1. jittor：Jittor是基于JIT编译和元运算符的高性能深度学习框架-源码

  2. Jittor：即时（JIT）深度学习框架 | | Jittor是基于JIT编译和元运算符的高性能深度学习框架。 整个框架和元运算符都是实时编译的。 强大的op编译器和调谐器已集成到Jittor中。 它使我们能够生成专门针对您的模型的高性能代码。 Jittor还包含大量的高性能模型库，包括：图像识别，检测，分割，生成，可微分渲染，几何学习，强化学习等。 前端语言是Python。 前端使用模块设计和动态图执行，这是用于深度学习框架接口的最受欢迎的设计。 后端由高性能语言（例如CUDA，C ++）

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：804864
    • 提供者：weixin_42164702

  1. CNN-Numpy-Implementation：手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库-源码

  2. CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：321912832
    • 提供者：weixin_42099936

  1. numpy从头开始实现神经网络

  2. 仅使用numpy从头开始实现神经网络,包括反向传播公式推导过程; numpy构建全连接层、卷积层、池化层、Flatten层；以及图像分类案例及精调网络案例等

  3. 所属分类：深度学习

    • 发布日期：2021-01-29
    • 文件大小：342016
    • 提供者：bruce__ray

  1. 纯用NumPy实现神经网络的示例代码

  2. 摘要： 纯NumPy代码从头实现简单的神经网络。 Keras、TensorFlow以及PyTorch都是高级别的深度学习框架，可用于快速构建复杂模型。前不久，我曾写过一篇文章，对神经网络是如何工作的进行了简单的讲解。该文章侧重于对神经网络中运用到的数学理论知识进行详解。本文将利用NumPy实现简单的神经网络，在实战中对其进行深层次剖析。最后，我们会利用分类问题对模型进行测试，并与Keras所构建的神经网络模型进行性能的比较。 Note：源码可在我的GitHub中查看。 在正式开始之前，需要先

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：811008
    • 提供者：weixin_38535132