开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在使用Theano的简单CNN中，训练精度非常低

Theano是一个用于高效定义、优化和评估数学表达式的Python库，特别适用于深度学习任务。CNN（卷积神经网络）是一种常用于图像识别和计算机视觉任务的深度学习模型。

在使用Theano的简单CNN中，训练精度非常低可能由以下原因引起：

数据集问题：训练集可能过小或不平衡，导致模型无法充分学习。建议使用更大且平衡的数据集，或者尝试数据增强技术来扩充训练集。
模型复杂度问题：简单的CNN模型可能无法捕捉到数据集中的复杂模式。可以尝试增加模型的深度、宽度或使用更复杂的网络结构，如ResNet、Inception等。
参数初始化问题：模型的初始参数可能不合适，导致训练过程陷入局部最优解。可以尝试使用不同的参数初始化方法，如Xavier初始化、He初始化等。
学习率问题：学习率设置不当可能导致训练过程无法收敛或收敛速度过慢。可以尝试调整学习率的大小或使用自适应学习率算法，如Adam、RMSprop等。
正则化问题：模型可能存在过拟合现象，可以尝试添加正则化项，如L1正则化、L2正则化或Dropout等。
训练时长问题：训练过程可能不够长，需要增加训练的迭代次数或尝试使用早停法来确定最佳的训练停止时机。
硬件资源问题：如果使用的硬件资源有限，如GPU内存不足，可能导致训练过程中出现问题。可以尝试减小批量大小或使用更小的模型来适应硬件资源限制。

对于Theano的简单CNN训练精度低的问题，可以尝试使用以下腾讯云相关产品和服务：

腾讯云GPU云服务器：提供强大的GPU计算能力，加速深度学习模型的训练过程。产品链接：https://cloud.tencent.com/product/cvm
腾讯云数据集市：提供丰富的图像数据集，可以用于扩充训练集或解决数据集不平衡的问题。产品链接：https://cloud.tencent.com/product/tci
腾讯云AI开放平台：提供多种深度学习框架和算法模型，可以用于构建更复杂的CNN模型。产品链接：https://cloud.tencent.com/product/aiopen

请注意，以上仅为示例，具体的产品选择应根据实际需求和预算来决定。

相关搜索:Tensorflow的内存成本在非常简单的“for循环”中逐渐增加。与flow_from_directory()相比，Keras的ImageDataGenerator.flow()导致非常低的训练/验证精度可以在c#中使用cntk python训练的cnn模型吗？在F#中使用标记/符号实现构建非常简单的树的函数在Keras中使用CNN模型获得相当差的精度在keras中训练具有多个输入3D阵列的CNN 在Keras中重新训练VGG16的准确率非常低在Keras的时代结束时，有没有办法在lambdacallback中获得训练精度？在nlp中训练数据，以便使用LSTM提取技能，但训练和验证精度未达到预期在python中应用预先训练好的facebook/bart-large-cnn进行文本摘要

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

基于keras平台CNN神经网络模型的服装识别分析

在许多介绍图像识别任务的介绍中，通常使用着名的MNIST数据集。但是，这些数据存在一些问题：

00

【10大深度学习框架实验对比】Caffe2最优，TensorFlow排第6

【新智元导读】微软数据科学家Ilia Karmanov做了一个项目，使用高级API测试8种常用深度学习框架的性能（因为Keras有TF，CNTK和Theano，所以实际是10种）。Karmanov希望

07

深度学习入门之工具综述

【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文：在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。建立了一套收

06

深度学习入门之工具综述

原文：Getting Started with Deep Learning: A REVIEW OF AVAILABLE TOOLS 作者： MATTHEW RUBASHKIN 翻译：冯斌【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文：在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。建立了一套收集数据、创建模型，评估模型的技术路线。然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新

使用GPU和Theano加速深度学习

【编者按】GPU因其浮点计算和矩阵运算能力有助于加速深度学习是业界的共识，Theano是主流的深度学习Python库之一，亦支持GPU，然而Theano入门较难，Domino的这篇博文介绍了如何使用GPU和Theano加速深度学习，使用更简单的基于Theano的 Nolearn库。教程由多层感知器及卷积神经网络，由浅入深，是不错的入门资料。基于Python的深度学习实现神经网络算法的Python库中，最受欢迎的当属Theano。然而，Theano并不是严格意义上的神经网络库，而是一个Python库，它可

05

从三大神经网络，测试对比TensorFlow、MXNet、CNTK、Theano四个框架

选自data science central 机器之心编译参与：蒋思源本文比较了 Keras 支持的主流深度学习框架性能，包括 TensorFlow、CNTK、MXNet 和 Theano，作者希望通过使用同一模型和不同的 Keras 后端，而测试不同框架在不同类型任务中的性能。本文通过五个任务分别测试了 MLP、CNN 和 RNN 模型，机器之心不仅对该试验进行了介绍，同时还使用 Keras（TensorFlow 后端）在 MNIST 数据集上试运行了 CNN。如果我们对 Keras 在数据科学和深

07

使用Keras的深度学习：经验教训

如果您计划尝试深度学习模型，那么Keras可能是一个很好的起点。它是用Python编写的高级API，后端支持Tensorflow、CNTK和Theano。

02

Keras入门必看教程

导语：在这篇 Keras 教程中, 你将学到如何用 Python 建立一个卷积神经网络!事实上, 我们将利用著名的 MNIST 数据集, 训练一个准确度超过 99% 的手写数字分类器. 开始之前, 请

06

Keras入门必看教程（附资料下载）

导语：在这篇 Keras 教程中, 你将学到如何用 Python 建立一个卷积神经网络!事实上, 我们将利用著名的 MNIST 数据集, 训练一个准确度超过 99% 的手写数字分类器. 开始之前, 请

07

利用Theano理解深度学习——Convolutional Neural Networks

注：本系列是基于参考文献中的内容，并对其进行整理，注释形成的一系列关于深度学习的基本理论与实践的材料，基本内容与参考文献保持一致，并对这个专题起名为“利用Theano理解深度学习”系列，若文中有任何问题欢迎咨询。本文提供PDF版本，欢迎索取。 “利用Theano理解深度学习”系列分为44个部分，其中第一部分主要包括：利用Theano理解深度学习——Logistic Regression 利用Theano理解深度学习——Multilayer perceptron 利用Theano理解深度学习——Deep C

09

深度学习框架之一：Theano

正文共7163个字，1张图，预计阅读时间18分钟。参考Lasagne官网(http://lasagne.readthedocs.io/en/latest/)tutorial进行总结而来。 01 简介 Lasagne is a lightweight library to build and train neural networks in Theano. Lasagen是一个基于Theano的轻量级的神经网络库。其实就是对Theano库的上层封装，使其用起来更简单，但是相应的灵活性下降。 Lasagne设

06

各种编程语言的深度学习库整理

来自：CSDN.NET 链接：http://www.csdn.net/article/2015-09-15/2825714（点击尾部阅读原文前往，文章中相关链接请点击阅读原文查看）原文：http://www.teglor.com/b/deep-learning-libraries-language-cm569/ 译者简介：赵屹华，计算广告工程师@搜狗，前生物医学工程师，关注推荐算法、机器学习领域。本文总结了Python、Matlab、CPP、Java、JavaScript、Lua、Julia、Lisp、

05

各种编程语言的深度学习库整理

‍Python 1. Theano是一个python类库，用数组向量来定义和计算数学表达式。它使得在Python环境下编写深度学习算法变得简单。在它基础之上还搭建了许多类库。　　1.Keras是一个简洁、高度模块化的神经网络库，它的设计参考了Torch，用Python语言编写，支持调用GPU和CPU优化后的Theano运算。　　2.Pylearn2是一个集成大量深度学习常见模型和训练算法的库，如随机梯度下降等。它的功能库都是基于Theano之上。　　3.Lasagne是一个搭建和训练神经网络

08

CNN卷积神经网络原理简介+代码详解

@blog：http://blog.csdn.net/u012162613/article/details/43225445

03

最适合中国开发者的深度学习框架：走向成熟的PaddlePaddle 1.0

自深度学习以分层逐步学习的奇思妙想崛起以来，深度学习框架就在不停地发展。在 AlexNet 还没有携带深度学习亮相 ImageNet 之前，由蒙特利尔大学 LISA 实验室所编写的 Theano 框架就已经开源，它可用来支持高效机器学习算法。Theano 是目前 DL 框架中的元老，它开启了深度神经网络高效编程的先河，后来开源的框架都受益于 Theano 的先行探索。

03

最适合中国开发者的深度学习框架：走向成熟的 PaddlePaddle 1.0

自深度学习以分层逐步学习的奇思妙想崛起以来，深度学习框架就在不停地发展。在 AlexNet 还没有携带深度学习亮相 ImageNet 之前，由蒙特利尔大学 LISA 实验室所编写的 Theano 框架就已经开源，它可用来支持高效机器学习算法。Theano 是目前 DL 框架中的元老，它开启了深度神经网络高效编程的先河，后来开源的框架都受益于 Theano 的先行探索。

02

用CNN做句子分类：CNN Sentence Classification (with Theano code)

01 Intro 本篇文章来细说CNN在NLP中的一大应用————句子分类。通过Yoon Kim的论文介绍一个应用，分析代码，并重构代码。重构后的代码放在github（https://github.com/applenob/CNN_sentence），另附io博文地址（https://applenob.github.io/cnn_sc.html）传统的句子分类器一般使用SVM和Naive Bayes。传统方法使用的文本表示方法大多是“词袋模型”。即只考虑文本中词的出现的频率，不考虑词的序列信息。传统方法

06

深度学习框架之一：Theano | Lasagne简单教程

参考Lasagne官网(http://lasagne.readthedocs.io/en/latest/)tutorial进行总结而来。 01 简介 Lasagne is a lightweight library to build and train neural networks in Theano. Lasagen是一个基于Theano的轻量级的神经网络库。其实就是对Theano库的上层封装，使其用起来更简单，但是相应的灵活性下降。 Lasagne设计的六个原则是简洁、透明、模块化、实用、聚焦和专注。

05

利用Theano理解深度学习——Convolutional Neural Networks

注：本系列是基于参考文献中的内容，并对其进行整理，注释形成的一系列关于深度学习的基本理论与实践的材料，基本内容与参考文献保持一致，并对这个专题起名为“利用Theano理解深度学习”系列，若文中有任何问题欢迎咨询。本文提供PDF版本，欢迎索取。

02

DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）

DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）

03

各种编程语言的深度学习库整理

Python 1. Theano是一个python类库，用数组向量来定义和计算数学表达式。它使得在Python环境下编写深度学习算法变得简单。在它基础之上还搭建了许多类库。　　1.Keras是一个简洁、高度模块化的神经网络库，它的设计参考了Torch，用Python语言编写，支持调用GPU和CPU优化后的Theano运算。　　2.Pylearn2是一个集成大量深度学习常见模型和训练算法的库，如随机梯度下降等。它的功能库都是基于Theano之上。　　3.Lasagne是一个搭建和训练神经网络的轻量级封装

02

【TensorFlow实战——笔记】第2章：TensorFlow和其他深度学习框架的对比

可以看到各大主流框架基本都支持Python，目前Python在科学计算和数据挖掘领域可以说是独领风骚。虽然有来自R、Julia等语言的竞争压力，但是Python的各种库实在是太完善了，Web开发、数据可视化、数据预处理、数据库连接，爬虫等无所不能，有一个完美的生态环境。仅在数据挖掘工具链上，Python就有Numpy、SciPy、Pandas、Scikit-learn、XGBoost等组件，做数据采集和预处理都非常方便，并且之后的模型训练阶段可以和TensorFlow等基于Python的深度学习框架完美衔接。

01

使用GPU和Theano加速深度学习

【编者按】GPU因其浮点计算和矩阵运算能力有助于加速深度学习是业界的共识，Theano是主流的深度学习Python库之一，亦支持GPU，然而Theano入门较难，Domino的这篇博文介绍了如何使用GPU和Theano加速深度学习，使用更简单的基于Theano的 Nolearn库。教程由多层感知器及卷积神经网络，由浅入深，是不错的入门资料。基于Python的深度学习实现神经网络算法的Python库中，最受欢迎的当属Theano。然而，Theano并不是严格意义上的神经网络库，而是一个Python库，它可

04

别磨叽，学完这篇你也是图像识别专家了

图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。

07

[Python人工智能] 一、神经网络入门及theano基础代码讲解

从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念，同时讲解Theano库的安装过程及基础用法，主要结合 "莫烦大神" 的视频介绍，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，也建议大家一步步跟着学习，同时文章中存在错误或不足之处，还请海涵~

05

Keras还是TensorFlow？深度学习框架选型实操分享

深度学习发展势头迅猛，但近两年涌现的诸多深度学习框架让初学者无所适从。如 Google 的 TensorFlow、亚马逊的 MXNet、Facebook 支持的 PyTorch、Theano、Caffe、CNTK、Chainer、百度的 PaddlePaddle、DSSTNE、DyNet、BigDL、Neon 等等。

03

新坑！谷歌提出MLP-Mixer：一种无卷积、无注意力、纯MLP构成的视觉架构

code:https://github.com/google-research/vision_transformer(暂未开源)

03

深度学习词汇表（六）

随机梯度下降是一种基于梯度的优化算法，用于在训练阶段学习网络参数。梯度通常使用反向传播算法计算。在实践中，人们使用SGD的迷你批处理版本，其中参数更新是基于批处理而不是单个示例执行的，从而提高了计算效率。许多对普通SGD的扩展都存在，包括Momentum、Adagrad、rmsprop、Adadelta或Adam。

04

译文：Python深度学习框架评价

原文链接https://indico.io/blog/python-deep-learning-frameworks-reviewed/ 麦迪逊月 - 2017年1月31日 ---- 我最近偶然发现了我在“神经网络的最佳python库”这个主题的一个旧的数据科学堆栈交换的答案，它让我深感python深度学习生态系统在过去的两年半内的快速发展。我在2014年七月推荐的一个库pylearn2，现在已经不再被积极地开发和维护，并且一大批深度学习的库已经占据它的位置。其实每一个库都有它的优势和弱点。我们已经使

08

自制人脸数据，利用keras库训练人脸识别模型

机器学习最本质的地方就是基于海量数据统计的学习，说白了，机器学习其实就是在模拟人类儿童的学习行为。举一个简单的例子，成年人并没有主动教孩子学习语言，但随着孩子慢慢长大，自然而然就学会了说话。那么孩子们是怎么学会的呢？很简单，在人类出生之前，有了听觉开始，就开始不断听到各种声音。人类的大脑会自动组织、分类这些不同的声音，形成自己的认识。随着时间的推移，大脑接收到的声音数据越来越多。最终，大脑利用一种我们目前尚未知晓的机制建立了一个成熟、可靠的声音分类模型，于是孩子们学会了说话。机器学习也是如此，要想识别出这张人脸属于谁，我们同样需要大量的本人和其他人的人脸数据，然后将这些数据输入Tensorflow这样的深度学习（深度学习指的是深度神经网络学习，乃机器学习分支之一）框架，利用深度学习框架建立属于我们自己的人脸分类模型。只要数据量足够，分类准确率就能提高到足以满足我们需求的级别。

03

基于三维卷积神经网络的点云标记

本文研究三维点云的标记问题。介绍了一种基于三维卷积神经网络的点云标记方法。我们的方法最大限度地减少了标记问题的先验知识，并且不像大多数以前的方法那样需要分割步骤或手工制作的特征。特别是，我们提出了在培训和测试过程中处理大数据的解决方案。在包含7类对象的城市点云数据集上进行的实验显示了我们应用程序的鲁棒性。

03

论文阅读: RetinaNet

此篇论文获得了ICCV最佳学生论文奖，指导人是FAIR的He Kaiming大神：

03

李理：详解卷积神经网络

本系列文章面向深度学习研发者，希望通过Image Caption Generation，一个有意思的具体任务，深入浅出地介绍深度学习的知识。本系列文章涉及到很多深度学习流行的模型，如CNN，RNN/LSTM，Attention等。本文为第6篇。作者：李理目前就职于环信，即时通讯云平台和全媒体智能客服平台，在环信从事智能客服和智能机器人相关工作，致力于用深度学习来提高智能机器人的性能。相关文章请访问：http://geek.csdn.net/news/detail/127365 若下文链接不能成

07

Bengio终结Theano不是偶然，其性能早在Keras支持的四大框架中垫底

作者 | Jasmeet Bhatia 编译 | KK4SBB 本文将对目前流行的几种Keras支持的深度学习框架性能做一次综述性对比，包括Tensorflow、CNTK、MXNet和Theano。作者Jasmeet Bhatia是微软的数据与人工智能架构师，本文内容仅代表个人观点。如果现在有人质疑Keras在数据科学家和工程师社区的地位，那么就先请他去看看专业AI和云计算玩家对Keras的支持率吧。官方发布的最新版Keras，除了支持Theano等通用库之外，已经可以支持谷歌的Tensorflow和微

02

深度学习框架哪家强？MXNet称霸CNN、RNN和情感分析，TensorFlow仅擅长推断特征提取

深度学习框架哪家强：TensorFlow？Caffe？MXNet？Keras？PyTorch？对于这几大框架在运行各项深度任务时的性能差异如何，各位读者不免会有所好奇。微软数据科学家Ilia Karmanov最新测试的结果显示，亚马逊MXNet在CNN、RNN与NLP情感分析任务上性能强劲，而TensorFlow仅擅长于特征提取。测试详情更新在Ilia Karmanov的GitHub项目DeepLearningFrameworks（https://github.com/ilkarman/Deep

03

一张照片获得3D人体信息，云从科技提出新型DenseBody框架

多年以来，如何从单一图像估计人体的姿势和形状是多项应用都在研究的问题。研究者提出不同的方法，试图部分或者联合地解决此问题。本文将介绍一种端到端的方法，使用 CNN 直接从单个彩色图像重建完整的 3D 人体几何。

03

主流深度学习框架-MXNet、Caffe、TensorFlow、Torch、Theano

深度学习是机器学习中的一个研究方向，它基于一种特殊的学习机制。其特点是建立一个多层学习模型，深层级将浅层级的输出作为输入，将数据层层转化，使之越来越抽象。这种分层学习思想模拟的是人脑接受外界刺激时处理信息和学习的方式。

03

深度 | 从数据结构到Python实现：如何使用深度学习分析医学影像

选自Medium 作者：Taposh Dutta-Roy 机器之心编译运用深度学习技术进行图像和视频分析，并将它们用于自动驾驶汽车、无人机等多种应用场景中已成为研究前沿。近期诸如《A Neural Algorithm of Artistic Style》等论文展示了如何将艺术家的风格转移并应用到另一张图像中，而生成新的图像。其他如《Generative Adversarial Networks》（GAN）以及「Wasserstein GAN」等论文为开发能学习生成类似于我们所提供的数据的模型做了铺垫。因此

09

经典回顾！Github 上打星超过 1 万的可复现顶会论文项目

AI 科技评论按：Zaur Fataliyev 是在 LG 电子的一名机器学习工程师，为了方便大家对带有复现代码的经典顶会论文进行查询，他在 GitHub 上将这些论文进行了统一打包：https://github.com/zziz/pwc，该名单将每周更新一次。

03

主流深度学习框架对比：必定有一款适合你！

现在机器学习逐渐成为行业热门，经过二十几年的发展，机器学习目前也有了十分广泛的应用，如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、DNA序列测序、语音和手写识别、战略游戏和

09

经典回顾！Github 上打星超过 1 万的可复现顶会论文项目

AI 科技评论按：Zaur Fataliyev 是在 LG 电子的一名机器学习工程师，为了方便大家对带有复现代码的经典顶会论文进行查询，他在 GitHub 上将这些论文进行了统一打包：https://github.com/zziz/pwc，该名单将每周更新一次。

01

经典回顾！Github 上打星超过 1 万的可复现顶会论文项目

AI 科技评论按：Zaur Fataliyev 是在 LG 电子的一名机器学习工程师，为了方便大家对带有复现代码的经典顶会论文进行查询，他在 GitHub 上将这些论文进行了统一打包：https://github.com/zziz/pwc，该名单将每周更新一次。

05

33卷积+13卷积+3*1卷积=白给的精度提升

下面要介绍的论文发于ICCV2019，题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks」，axriv地址为：https://arxiv.org/abs/1908.03930v1。

03

深度学习“引擎”之争：GPU加速还是专属神经网络芯片？

深度学习（Deep Learning）在这两年风靡全球，大数据和高性能计算平台的推动作用功不可没，可谓深度学习的“燃料”和“引擎”，GPU则是引擎的引擎，基本所有的深度学习计算平台都采用GPU加速。同时，深度学习已成为GPU提供商NVIDIA的一个新的战略方向，以及3月份的GTC 2015的绝对主角。那么，GPU用于深度学习的最新进展如何？这些进展对深度学习框架有哪些影响？深度学习开发者应该如何发挥GPU的潜力？GPU与深度学习结合的前景以及未来技术趋势到底是怎么样的？在日前的NVIDIA深度学习中

04

专访微软研究院俞栋：基于深度学习的语音识别及CNTK的演进

作为人工智能领域的一个重要方向，语音识别近年来在深度学习（Deep Learning）的推动下取得了重大的突破，为人机语音交互应用的开发奠定了技术基础。语音识别技术演进及实现方法、效果，既是语音识别从业者需要系统掌握的知识，也是智能化应用开发者应当了解的内容。日前，微软研究院首席研究员、《解析深度学习-语音识别实践》第一作者俞栋接受CSDN专访，深入解析了基于深度学习的语音识别的最新技术方向，和微软团队的实践心得，并对微软开源的深度学习工具CNTK的迭代思路做了介绍。俞栋介绍了deep CNN、LFMMI

05

深度学习中的batch大小对学习效果有何影响？

Batch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。

01

33卷积+13卷积+3*1卷积=白给的精度提升

下面要介绍的论文发于ICCV2019，题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks」，axriv地址为：https://arxiv.org/abs/1908.03930v1。

03

33卷积+13卷积+3*1卷积=白给的精度提升

下面要介绍的论文发于ICCV2019，题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks」，axriv地址为：https://arxiv.org/abs/1908.03930v1。

03

煤矿皮带运行状态监测预警系统

煤矿皮带运行状态监测预警系统通过yolov7网络模型深度学习技术，煤矿皮带运行状态监测预警系统自动对传输皮带运行状态进行实时监测。煤矿皮带运行状态监测预警系统监测到皮带撕裂、跑偏、异物、堆煤等异常情况时，煤矿皮带运行状态监测预警系统立即抓拍预警及时停止皮带同步回传违规信息到后台。介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了。

04

深度学习领域引用量前20篇论文简介

深度学习是机器学习和统计学交叉领域的一个子集，在过去的几年里得到快速的发展。强大的开源工具以及大数据爆发使其取得令人惊讶的突破进展。本文根据微软学术（academic.microsoft.com）的引用量作为评价指标，从中选取了20篇顶尖论文。注意，引用量会随着时间发生快速的变化，本文参考的是本文发表时候的引用量。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭