榜单
服务器优惠
AI论文
-
LeNet-5
LeNet-5 LeNet-5 架构也许是最广为人知的 CNN 架构。 如前所述，它是由 Yann LeCun 于 1998 年创建的，广泛用于手写数字识别（MNIST）。 它由表 13-1 所示的层组成。 有一些额外的细节要注意： MNIST 图像是28×28 像素，但是它们被零填充到32×32 像素，并且在被输入到网络之前被归一化。 网络... -
Prefixspan
Deeplearning Algorithms tutorial Prefixspan 相关应用 优缺点 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已... -
数字识别
数字识别 背景介绍 模型概览 Softmax回归(Softmax Regression) 多层感知机(Multilayer Perceptron, MLP) 卷积神经网络(Convolutional Neural Network, CNN) 卷积层 池化层 常见激活函数介绍 数据介绍 Fluid API 概述 配置说明 Program F... -
7. 注孤生
注孤生 注孤生 小法师有一阵子没动静了，为什么又冒出来了呢？因为这次比较特殊 下午小法师正在阳台上晒太阳，看着前两天女神推荐的乌合之众，无聊了刷下 Q，看到女神在线，就去聊了两句 本来没有没想到女神每句必回，响应十分迅速 按说小法师应该十分高兴，但他却本能的感觉到了一种凉意 —— 太反常了小心翼翼的试探： 加薪了？没升官了？... -
RePlugin原理剖析（推荐）
视频和演讲 经典原理剖析 看似用法简单、易于理解的RePlugin的背后，却有着复杂的技术积累，经历了多年的严酷考验。 以下将具体列出一些涉及到“原理分析”的文章。这些文档有的来自官方，有的来自民间分析团体。在此像民间大神们表示感谢！ 如果您能够分析RePlugin的核心原理，并整理成文，则欢迎与我联系。针对“高质量”文章，我们会放到WiKi上，永... -
为什么说反向传播算法很高效
为什么说反向传播算法很高效？ 为什么说反向传播算法很高效？ 为什么说反向传播算法很高效？要回答这个问题，让我们来考虑另一种计算梯度的方式。设想现在是神经网络研究的早期阶段，大概是在上世纪50年代或60年代左右，并且你是第一个想到使用梯度下降方法来进行训练的人！但是要实现这个想法，你需要一种计算代价函数梯度的方式。你回想了你目前关于演算的知识，决定试一... -
玻尔兹曼机(Boltzmann Machine)
Deeplearning Algorithms tutorial 玻尔兹曼机(Boltzmann Machine) 应用示例 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等... -
训练分类器
训练分类器 数据应该怎么办呢？ 训练一个图片分类器 1.加载并标准化CIFAR10 2.定义卷积神经网络 3.定义损失函数和优化器 4.训练网络 5.使用测试数据测试网络 在GPU上训练 在多GPU上训练 接下来要做什么？ 训练分类器 译者：bat67 校验者：FontTian 目前为止，我们以及看到了如何定义网络，... -
训练分类器
训练分类器 数据应该怎么办呢？ 训练一个图片分类器 1.加载并标准化CIFAR10 2.定义卷积神经网络 3.定义损失函数和优化器 4.训练网络 5.使用测试数据测试网络 在GPU上训练 在多GPU上训练 接下来要做什么？ 训练分类器 译者：bat67 校对者：FontTian 目前为止，我们以及看到了如何定义网络，... -
10.9. 编码器—解码器（seq2seq）
10.9. 编码器—解码器（seq2seq） 10.9.1. 编码器 10.9.2. 解码器 10.9.3. 训练模型 10.9.4. 小结 10.9.5. 练习 10.9.6. 参考文献 10.9. 编码器—解码器（seq2seq） 我们已经在前两节中表征并变换了不定长的输入序列。但在自然语言处理的很多应用中，输入和输出都可以是不定长序...