榜单
服务器优惠
AI论文
-
dynamic_gru
dynamic_gru dynamic_gru paddle.fluid.layers. dynamic_gru (input, size, param_attr=None, bias_attr=None, is_reverse=False, gate_activation='sigmoid', candidate_activation='tanh... -
6 Example-Based Explanations
Chapter 6 Example-Based Explanations Chapter 6 Example-Based Explanations Example-based explanation methods select particular instances of the dataset to explain the behavior o... -
10.11 注意力机制
10.11 注意力机制 10.11.1 计算背景变量 10.11.1.1 矢量化计算 10.11.2 更新隐藏状态 10.11.3 发展 小结 参考文献 10.11 注意力机制 在10.9节（编码器—解码器（seq2seq））里，解码器在各个时间步依赖相同的背景变量来获取输入序列信息。当编码器为循环神经网络时，背景变量来自它最终时间步的隐... -
gru_unit
gru_unit 参数 返回 返回类型 代码示例 gru_unit 查看属性与别名 API属性：声明式编程(静态图)专用API paddle.fluid.layers.gru_unit ( input, hidden, size, param_attr=None, bias_attr=None, activation=’tanh’, g... -
gru_unit
gru_unit gru_unit paddle.fluid.layers.gru_unit ( input, hidden, size, param_attr\=None, bias_attr\=None, activation\=’tanh’, gate_activation\=’sigmoid’, origin_mode\=False ) [... -
dynamic_gru
dynamic_gru dynamic_gru 注意：该API仅支持【静态图】模式 paddle.fluid.layers. dynamic_gru (input, size, param_attr=None, bias_attr=None, is_reverse=False, gate_activation='sigmoid', candid... -
优化算法及超参配置
配置优化算法和超参 作业函数配置的基本概念 配置示例 预测配置 训练配置 FAQ 配置优化算法和超参 当搭建好神经网络模型后，需要经过训练才能用来做预测。而训练的过程就是网络模型中的参数被优化的过程，通常采用反向传播算法和指定的 Optimizer 更新参数，本文重点介绍在 OneFlow 中如何设置 Optimizer 和 超参(Hype... -
Integrating ML models
Integrating ML models Choosing a model Tutorial Using a model Invoking a model for inference Using a model for search Disabling a model Rate limiting inference calls Related... -
Performance Issues Debugging
DL4J and ND4J: How to Debugging Performance Issues Step 1: Check if correct backend is used Step 2: Check for cuDNN Step 3: Check for ETL (Data Loading) Bottlenecks Step 4: Chec...