深度迁移学习概述： 先分享一个小例子，对迁移学习有一个很好的初步理解： 读自https://blog.csdn.net/SuperYR_210/article/details/78952292 迁移学习简单的将就是举一反三，是将已经学习到的知识迁移到另一种未知的知识的学习，即从源域迁移到目标域。 小故事 从前有一个商人，在帝都以卖猫的玩偶为生，他叫CNN，很厉害，是一个分辨高手，擅长区分不同的猫
文本处理 在现有数据中，文本是最非结构化的形式，里面有各种各样的噪声；如果没有预处理，文本数据都不能分析。清理和标准化文本的整个过程叫做文本预处理（text preprocessing）其作用是使文本数据没有噪声并且可以分析。 具体包含以下三个内容：去噪声；词汇归一化；目标标准化 去噪声 噪声是指和需要的输出没有关系的文本。例如：语言的停用词(is，am, the, of等），URLs, 链接，社
代码地址https://github.com/xmy0916/DLNetwork 简介 GoogLeNet是2014年谷歌团队提出的，获得当时ImageNet竞赛分类任务第一名，该网络名称的命名中字母L大写为了致敬LeNet的工作。 重点 1、 引入Inception结构，可以融合不同尺度的特征信息。2、 使用1 * 1的卷积核进行降维以及映射处理。3、 添加两个辅助分类器帮助训练。4、 丢弃全连
代码地址https://github.com/xmy0916/DLNetwork 简介 参考：https://blog.csdn.net/weixin_42546496/article/details/87915453VGGNet论文给出了一个非常振奋人心的结论：卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用。VGGNet由牛津大学的视觉几何组（Visual Geome
一、词嵌入 参考文章：什么是词嵌入 词嵌入是单词的一种数值化表示方式，一般情况下会将一个单词映射到一个高维的向量中（词向量）来代表这个单词。 词嵌入实际上是一种将各个单词在预定的向量空间中表示为实值向量的一类技术。每个单词被映射成一个向量（初始随机化），并且这个向量可以通过神经网络的方式来学习更 新。因此这项技术基本集中应用与深度学习领域。 这项技术的关键点在于如何用密集的分布式向量来表示每个
==代码地址==https://github.com/xmy0916/DLNetwork 简介 AlexNet首次在大规模图像数据集实现了深层卷积神经网络结构，点燃了深度学习这把火。其在ImageNet LSVRC-2012目标识别的top-5 error为15.3%，同期第二名仅为26.2%，碾压其他传统的hand-craft 特征方法，使得计算机视觉从业者从繁重的特征工程中解脱出来，转向思考能
代码地址https://github.com/xmy0916/DLNetwork 简介 Resnet在2015年由微软实验室提出，获得当年ImageNet竞赛中分类任务的第一名，目标检测第一名。获得coco数据集中目标检测第一名，图像分割第一名。作者Kaiming He、Xiangyu Zhang、Shaoqing Ren、Jian Sun等大佬，经常在很有名的深度学习文章中出现～并且ResNet
Generative Adversarial Nets 上周周报已经写了这篇论文，本周相对GAN网络的LOSS进行进一步的学习和研究。 GAN网络： 条件：G依照真实图像生成大量的类似图像，D是辨别输入的图像是真实图像还是G生成的虚假图像。 原理：G和D是互相促进的。G的目的是产生的图像让D感到模糊不知道该分成realistic（看起来像是现实的）还是fake（看起来是假的），D的目的是将re
代码地址https://github.com/xmy0916/DLNetwork 简介 LeNet5诞生于1994年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从1988年开始，在多年的研究和许多次成功的迭代后，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。 重点 局部感受野(local receptive fields):基于图像局部相关的原理，保留了图像局部结
上面的神经网络图好看吧，这是怎么画出来的呢？今天给大家介绍一个牛逼的开源库，它提供了latex源码直接生成这样的神经网络图，开源库地址。 我们来看一下用法以及怎样修改源码来表达我们自己的网络。（下文默认使用的是Windows操作系统，其他操作系统的方式可以参考源码） 安装：1）下载安装MikTeX，这个软件与Tex Studio一样，是一个latex的开发IDE，与tex studio的区别就是
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博