• 相关博文
  • 最新资讯
没有数据了...
  • 万字长文综述目标检测领域,你要的都在这里

    目标检测是计算机视觉中的一个重要问题,近年来传统检测方法已难以满足人们对目标检测效果的要求,随着深度学习在图像分类任务上取得巨大进展,基于深度学习的目标检测算法逐渐成为主流。

    2020.06.09 0
  • 深度学习面试必备的25个问题

    在本文中,我将分享有关深度学习的25个问题,希望能够帮助你为面试做好准备。

    2020.04.09 0
  • 使用大batch优化深度学习:训练BERT仅需76分钟 | ICLR 2020

    作者的实验结果证明了LAMB在各种任务(例如BERT和RseNet-50训练)中可以表现的非常出色,且仅需调整少量的超参数。重要的是,对于训练BERT,本文的优化程序可以使用非常大的32868 batch大小,而且不会降低性能。通过将批处理大小增加到TPUv3 Pod的内存限制,BERT的训练时间可以从3天减少到只有76分钟(可以见后面的表1)。LAMB的实现已经开源。

    2020.04.07 0
  • 2020,国产AI开源框架“亮剑”TensorFlow、PyTorch

    深度学习开源框架领域的一个既定事实是,TensorFlow、PyTorch基本两分天下,从技术能力到生态建设,它们能给AI落地提供有力支撑,可以满足大部分企业在其中构建自己的AI应用。反观国产AI开源框架,即便百度PaddlePaddle已开源四年,腾讯Angel、阿里X-DeepLearning等框架也相继开源,但从市场影响力和使用规模来看,还难与前两者抗衡。

    2020.03.30 0
  • 「最全」实至名归,NumPy官方早有中文教程,结合深度学习,还有防脱发指南...

    NumPy 无疑是很多机器学习研究者和开发者的「白月光」。如此优秀的项目,没有中文版怎么行?近日,机器之心发现 NumPy 官方早在去年就已出了一个中文版网站,涵盖 NumPy 的一切。

    2020.03.27 0
  • 64% 的企业未实现智能化,5成公司算法工程师团队规模小于 10人,AI 工程师的机遇在哪里?...

    从就业的角度来看,由于算法工程化才是商业落地的核心关键,因此拥有扎实工程化能力的算法工程师更受青睐。另一方面,由于深度学习是以大数据为基础的,而感知智能中的计算机视觉又是目前深度学习较为成熟的应用,所以,机器学习和深度学习工程师,以及数据工程师、计算机视觉工程师成为热门岗位。

    2020.03.25 0
  • 对标Pytorch,清华团队推出自研AI框架“计图”

    一支清华大学团队决定研发更加灵活高效的深度学习框架。他们于近日宣布开源Jittor(计图),采用元算子融合和动态编译技术,深度优化内存,有效提升了系统的运行性能和通用性,确保实现和优化分离,大幅提升应用开发的灵活性、可拓展性和可移植性。

    2020.03.23 0
  • 检测、量化、追踪新冠病毒,基于深度学习的自动CT图像分析有多靠谱?

    本文进行了多次回顾性实验,以分析系统在检测可疑COVID-19胸部CT特征中的性能,并使用3D视图来检查评估每位患者随时间推移的疾病进展,并产生“冠状评分”。该研究包括了157名国际患者(中国和美国)的测试集。

    2020.03.19 0
  • LSTM之父发文:2010-2020,我眼中的深度学习十年简史

    作为LSTM发明人、深度学习元老,Jürgen Schmidhuber于2月20日发表了一篇博文,着重介绍了近十年来基于作者研究工作最重要的开发和应用,最后对2020年代进行了展望,也提及到了数据隐私和市场。

    2020.02.24 0
  • 机器学习中的线性回归,你理解多少?

    机器学习中的线性回归是一种来源于经典统计学的有监督学习技术。然而,随着机器学习和深度学习的迅速兴起,因为线性(多层感知器)层的神经网络执行回归,线性回归的使用也日益激增。

    2020.02.21 0
  • 170亿参数加持,微软发布史上最大Transformer模型

    BERT和GPT-2之类的深度学习语言模型(language model, LM)有数十亿的参数,互联网上几乎所有的文本都已经参与了该模型的训练,它们提升了几乎所有自然语言处理(NLP)任务的技术水平,包括问题解答、对话机器人和文档理解等。

    2020.02.13 0
  • 2020,人工智能和深度学习未来的五大趋势

    尽管科技巨头们在人工智能领域投入了大量资金,但大多数受益的行业本身并不属于科技行业。在 Re-Work 的深度学习和人工智能峰会,与会的人工智能工程师和高管们就他们所带头的项目进行了演示和讨论。

    2020.02.10 0
  • 不可错过的7篇深度学习综述

    随着深度学习在各个领域的井喷式进展,一些学术领域显得有些混乱。因此survey就显得至关重要。一篇好的survey能提供该领域的全面视角,还能帮助其他领域的学者更好的了解该方向,同时也能对该领域现存的问题进行收集总结等等。

    2020.01.16 0
  • 人工智能的下一个前沿:识别“零”和“无”

    在一个典型的任务中,可能会训练 DNN 以可视化的方式识别一定数量的类,例如苹果和香蕉的图片。深度学习算法在获得大量数据和质量的数据时,实际上非常擅长进行精确、低错误率和可信的分类。

    2020.01.13 0
  • 被追捧为“圣杯”的深度强化学习已走进死胡同

    近年来,深度强化学习成为一个被业界和学术界追捧的热门技术,社区甚至将它视为金光闪闪的通向 AGI 的圣杯,大多数人都看好它未来发展的巨大潜力。但是,深度强化学习的本质是什么?人们对它的期望是否理智呢?现在,在一片追捧声中,终于有人开始质疑深度强化学习的真实作用。

    2020.01.06 0
  • 从LeNet到GoogLeNet:逐层详解,看卷积神经网络的进化

    深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩,本文将按时间和创新点顺序介绍一系列网络结构:LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。网络上大部分文章都只是草草讲述,本文小波仔仔细梳理,从问题的背景,网络结构,为什么设计这样的结构,参数数量各方面详细讲述CNN的进化之路。

    2020.01.06 0
  • 迁移学习前沿研究亟需新鲜血液,深度学习理论不能掉链子

    人类可以从很少的样本中学习,显示出了人类卓越的泛化能力,而这一点学习算法仍远做不到。当前,最成功的模型需要大量标记好的数据,但是这些数据昂贵且难以获取,成为实践中使用机器学习的最大障碍之一。最近的研究表明,当前的算法几乎不能对训练期间看到的数据做泛化。在这种情况下,迁移学习显示出巨大潜力,其目的是更有效地利用以前获得的知识来学习新任务。

    2019.12.30 0
  • 从入门到深入:移动平台模型裁剪与优化的技术探索与工程实践

    由浅及深,讲述移动平台模型裁剪与优化的技术探索与工程实践,让希望了解和掌握如何在实践的基础上学习机器学习技术的初学者,希望了解和学习深度学习及其在工业界应用的开发人员,从事移动平台应用程序开发、架构设计以及期望应用机器学习到移动端、嵌入式平台、可穿戴设备等的从业者,掌握学习机器学习技术所需的技术栈、学习路径和方法。

    2019.12.26 0
  • 开发者都想收藏的深度学习脑图,我们抢先曝光了!

    由浅及深讲述移动平台模型裁剪与优化的技术探索与工程实践,让希望了解和掌握如何在实践的基础上学习机器学习技术的初学者,希望了解和学习深度学习及其在工业界应用的开发人员,从事移动平台应用程序开发、架构设计以及期望应用机器学习到移动端、嵌入式平台、可穿戴设备等的从业者,掌握学习机器学习技术所需的技术栈、学习路径和方法。

    2019.12.24 0
  • 如何用Neo4j和Scikit-Learn做机器学习任务?| 附超详细分步教程

    图算法不是一个新兴技术领域,在开源库中已经有很多功能强大的算法实现。近两年,业内的学者与科学家都在积极探索可以弥补深度学习不可解释性,无法进行因果推断的这个缺陷,而图神经网络(GNN)成为备受关注和期待的“宠儿”。随着学界和业界越来越关注GNN,各种新工作不断被提出,基于图神经网络的框架随之产生,如大家现在都已经熟悉的DGL,两大深度学习框架PyTorch和TensorFlow中也开始支持相应的功能,大家对图(Graph)、图计算、图数据库、图机器学习等研究的关注度越发高涨。

    2019.12.04 0
每页显示 共89条数据 < 1 2 3 4 5 >      到第 GO