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

如何从MNIST数据集中选择每个类的特定数量

从MNIST数据集中选择每个类的特定数量可以通过以下步骤实现：

加载MNIST数据集：MNIST数据集是一个包含手写数字图像的经典数据集，可以通过各种机器学习框架或库进行加载。例如，使用Python的TensorFlow库可以使用以下代码加载MNIST数据集：

from tensorflow.keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

分类数据集：MNIST数据集包含10个不同的类别，分别代表数字0到9。首先，需要将数据集中的样本按照类别进行分类。可以使用循环遍历数据集，并根据标签将每个样本分配到相应的类别列表中。例如，使用Python可以按照以下方式分类数据集：

num_classes = 10
class_samples = [100, 200, 150, 120, 180, 90, 80, 60, 100, 150]  # 每个类别需要选择的样本数量

class_data = [[] for _ in range(num_classes)]  # 创建一个空列表用于存储每个类别的样本

for i in range(len(x_train)):
    label = y_train[i]
    if len(class_data[label]) < class_samples[label]:
        class_data[label].append(x_train[i])

在上述代码中，class_samples列表指定了每个类别需要选择的样本数量。class_data列表用于存储每个类别的样本。

可选：数据平衡处理：如果每个类别的样本数量不平衡，可以选择进行数据平衡处理。例如，可以通过随机选择或过采样等方法平衡每个类别的样本数量。
可选：数据预处理：根据具体需求，可以对选择的样本进行预处理。例如，可以进行图像增强、归一化、降噪等操作。
可选：数据集划分：根据具体需求，可以将选择的样本划分为训练集、验证集和测试集。例如，可以按照80%的比例划分为训练集，10%的比例划分为验证集，10%的比例划分为测试集。

完成上述步骤后，你将得到一个包含每个类别特定数量样本的数据集。这个数据集可以用于训练、验证或测试机器学习模型。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云人工智能（https://cloud.tencent.com/product/ai）
腾讯云数据处理（https://cloud.tencent.com/product/dps）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云数据库（https://cloud.tencent.com/product/cdb）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链（https://cloud.tencent.com/product/baas）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云物联网平台（https://cloud.tencent.com/product/iot）
腾讯云移动开发（https://cloud.tencent.com/product/mobdev）

相关搜索:如何从Keras提供的MNIST数据集中仅选择特定数量的样本？如何在pytorch MNIST数据集中选择特定标签从MNIST数据集中选择10张图像从数据集中选择特定列如何从我的mondoDB数据集中选择特定数据如何从PyTorch的FashionMNIST数据集中只获取特定的类？从MNIST数据集中更改训练和测试集的大小选择特定的MNIST类在TensorFlow中训练神经网络 jQuery数据表从数据集中选择具有特定数据的行从列表中选择特定数量的项目从记录中选择特定数量的记录从两个数据集中选择特定位数的值如何从CSV获取特定数量的数据如何从数据集中随机选择n个数据块我如何在我的数据集中找到每个折叠的实例数量？从选择框中选择多个产品，并为每个选择的产品输入数量如何选择特定的类onClick 对TensorFlow数据集中特定类的图像进行切片如何只从程序集中公开一个特定的类？如何从数据集中的特定列中删除NA值？

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

干货 | 意想不到的盟友：改善隐私问题可以带来表现更好的机器学习模型

AI 科技评论按：Nicolas Papernot 在 2017、2018 连续两年的 ICLR 上都发表了关于差分隐私方法 PATE 的论文。如今大家都意识到了隐私问题是模型设计中有必要考虑的因素，设计模型时也愿意考虑 PATE 这样的方法。不过在 cleverhans 博客近期的一篇博客中，Nicolas Papernot、Ian Goodfellow 两人揭示了一项意想不到的发现：对隐私问题的改善其实可以带来表现更好的机器学习模型，两者并不冲突，而是盟友。

03

意想不到的盟友：改善隐私问题可以带来表现更好的机器学习模型

AI 研习社按：Nicolas Papernot 在 2017、2018 连续两年的 ICLR 上都发表了关于差分隐私方法 PATE 的论文。如今大家都意识到了隐私问题是模型设计中有必要考虑的因素，设计模型时也愿意考虑 PATE 这样的方法。不过在 cleverhans 博客近期的一篇博客中，Nicolas Papernot、Ian Goodfellow 两人揭示了一项意想不到的发现：对隐私问题的改善其实可以带来表现更好的机器学习模型，两者并不冲突，而是盟友。

03

主动学习减少对标注数据的依赖，却造成标注冗余？NeurIPS 2019 论文解决了这个问题！

深度学习如今能够大获成功，其中的一大功臣便是大规模的标注数据。然而在大多数现实场景中，我们往往只能获得未经标注的大规模数据集，如果要对这么多数据进行人工标注，势必耗费大量的人力成本。在此前，研究界已经提出主动学习的方法来解决这一问题，然后采用该方法选择出来的数据可能存在大量重复的情况，从而造成标注冗余问题。

01

TensorFlow 文档:MNIST机器学习入门

MNIST机器学习入门博文 ID：机器学习和TensorFlow都不太了解的新手。如果你已经了解MNIST和softmax回归(softmax regression)的相关知识，你可以阅读这个快速上

02

使用PyTorch加载数据集：简单指南

在实战前，我们需要了解三个名词，Epoch、Batch-Size、Iteration 下面针对上面，我展开进行说明

01

最全面的卷积神经网络介绍，都在这里了（附代码）

神经网络由具有权重和偏差的神经元组成。通过在训练过程中调整这些权重和偏差，以提出良好的学习模型。每个神经元接收一组输入，以某种方式处理它，然后输出一个值。如果构建一个具有多层的神经网络，则将其称为深度神经网络。处理这些深度神经网络的人工智能学分支被称为深度学习。

04

SEVENLLM | 网安事件分析大模型的训练与评测

网络威胁情报（Cyber Threat Intelligence, CTI）在现代网络安全领域日益重要，为了提高安全人员安全事件分析能力，文章提出一个用于基准测试、引导和改进LLMs（Large Language Models, 大语言模型）在安全事件分析和响应方面的能力的框架（SEVENLLM）。并通过收集网络安全网站的大量网络安全原始文本，构建了高质量双语多任务指令语料库SEVENLLM-Instruct，用于训练具备多任务学习目标（包括28个精心设计的任务）的网络安全LLMs。

01

什么是CNN？写给小白的机器学习入门贴，Facebook员工打造，47k访问量

那是因为在图像分类时，面临着图像大，物体的形态、位置不同等问题，这就给普通的神经网络带来了难题。

02

隐私与机器学习，二者可以兼得吗？——隐私保护模型PATE给出了答案

最近关于互联网隐私引发大众的关注于讨论，前有Facebook“数据门”，小扎不得不换下常穿的灰色短袖和牛仔装，换上深蓝色西装参加国会听证；后有百度总裁李彦宏称中国用户愿用隐私方便和效率引发网友强烈反感，网友评论说，牺牲隐私不一定换来效率，还可能换来死亡，比如搜索到莆田医院，还可能换来经济损失，比如大数据杀熟等等；近来有知乎强制隐私搜集条款，引发部分用户卸载APP，国内很多APP若不同意给予相关权限，则无法正常使用，这真是陷入两难境地。为什么现在很多应用会收集数据呢，《未来简史》这本书中给了答案——未来的世界数据为王，人类可能只是放大版的蚂蚁，用于产生数据。有了数据后，加上合适的算法可以完成很多事情，这些技术均与机器学习、深度学习以及数据科学相关。人们担心自己的数据被收集后会被泄露或者是被不正当使用，因此，如何将隐私数据很好地保护起来是公司需要考虑的主要问题之一。本文将分析隐私与机器学习二者的关系，并设计了一种PATE框架，能够很好地避免被动地泄露用户隐私数据，下面带大家一起看看吧。在许多机器学习应用中，比如用于医学诊断的机器学习，希望有一种算法在不存储用户敏感信息（比如个别患者的特定病史）的情况下，就可以完成相应的任务。差分隐私（Differential privacy）是一种被广泛认可的隐私保护模型，它通过对数据添加干扰噪声的方式保护锁发布数据中潜在用户的隐私信息，从而达到即便攻击者已经掌握了除某一条信息以外的其它信息，仍然无法推测出这条信息。利用差分隐私，可以设计出合适的机器学习算法来负责任地在隐私数据上训练模型。小组（Martín Abadi、 Úlfar Erlingsson等人）一系列的工作都是围绕差分隐私如何使得机器学习研究人员更容易地为隐私保护做出贡献，本文将阐述如如何让隐私和机器学习之间进行愉快的协同作用。小组最新的工作是PATE算法（Private Aggregation of Teacher Ensembles，PATE），发表在2018年ICLR上。其中一个重要的贡献是，知道如何训练有监督机器学习模型的研究人员都将有助于研究用于机器学习的差分隐私。PATE框架通过仔细协调几个不同机器学习模型的活动来实现隐私学习，只要遵循PATE框架指定程序，生成的模型就会有隐私保护。

02

使用拓扑数据分析理解卷积神经网络模型的工作过程

神经网络在各种数据方面处理上已经取得了很大的成功，包括图像、文本、时间序列等。然而，学术界或工业界都面临的一个问题是，不能以任何细节来理解其工作的过程，只能通过实验来检测其效果，而无法做出合理的解释。相关问题是对特定数据集经常存在某种过拟合现象，这会导致对抗行为的可能性。出于这些原因，开发用于发展对神经网络的内部状态的一些理解的方法是非常值得尝试的。由于网络中神经元的数量非常庞大，这成为使得对其进行数据分析显得比较困难，尤其是对于无监督数据分析。在这篇文章中，将讨论如何使用拓扑数据分析来深入了解卷积神经网络（CNN）的工作过程。本文所举示例完全来自对图像数据集进行训练的网络，但我们确信拓扑建模可以很容易地解释许多其他领域卷积网络的工作过程。首先，对于神经网络而言，一般是由节点和有向边组成。一些节点被指定为输入节点，其他节点被指定为输出节点，其余节点被指定为内部节点。输入节点是数据集的特征。例如，在处理图像时，输入节点将是特定图像格式的像素。在文本分析时，它又可能是单词。假设给定一个数据集和一个分类问题，比如手写数字MNIST数据集，试图将每个图像分类为数字0到9中的某一个数字。网络的每个节点对应于一个变量值（激活值）。因此，每个数据点为神经网络中的每个内部和输出节点生成值。网络每个节点的值由分配给每个边的权重系统决定。节点节点Z上的值由与之连接的节点A，B，C，D节点的激活函数来确定。

02

Maxout Networks

我们考虑的问题是如何设计模型来利用最近引入的近似模型平均技术(dropout)。我们定义了一个简单的新模型maxout(之所以这样命名，是因为它的输出是一组输入的最大值，而且它是dropout的一个自然伙伴)，旨在促进dropout优化和提高dropout的快速近似模型平均技术的准确性。我们通过经验验证模型成功地完成了这两个任务。我们使用maxout和dropout来演示在四个基准数据集上的最新分类性能:MNIST、CIFAR-10、CIFAR-100和SVHN。

01

随机森林算法简单讲解

在机器学习中通常分为有监督学习、无监督学习，半监督学习和强化学习四大类。而随机森林是一种典型的有监督学习算法，它是在决策树基础上得到的一种集成学习（bagging）算法。

02

PyTorch 1.0 中文官方教程：torch.nn 到底是什么？

作者：Jeremy Howard，fast.ai。感谢Rachel Thomas和Francisco Ingham的帮助和支持。

03

TensorFlow 2.0实战入门（上）

如果你正在读这篇文章，你可能接触过神经网络和TensorFlow，但是你可能会对与深度学习相关的各种术语感到有点畏缩，这些术语经常在许多技术介绍中被掩盖或未被解释。本文将深入介绍TensorFlow 2.0的初学者教程，从而让大家对其中的一些主题有所了解。

02

神经符号学习: 神经网络+逻辑推理

神经符号学习，目标是结合深度神经网络(DNNs)的感知能力和符号推理系统的推理能力。旨在结合神经感知与符号逻辑，但目前的研究仅将它们串联并分别优化，未能充分利用它们之间的相互增强信息。

01

《Scikit-Learn与TensorFlow机器学习实用指南》第08章降维

很多机器学习的问题都会涉及到有着几千甚至数百万维的特征的训练实例。这不仅让训练过程变得非常缓慢，同时还很难找到一个很好的解，我们接下来就会遇到这种情况。这种问题通常被称为维数灾难（curse of dimentionality）。

01

《Scikit-Learn与TensorFlow机器学习实用指南》第8章降维

第8章降维来源：ApacheCN《Sklearn 与 TensorFlow 机器学习实用指南》翻译项目译者：@loveSnowBest 校对：@飞龙很多机器学习的问题都会涉及到有着几千甚至数百万维的特征的训练实例。这不仅让训练过程变得非常缓慢，同时还很难找到一个很好的解，我们接下来就会遇到这种情况。这种问题通常被称为维数灾难（curse of dimentionality）。幸运的是，在现实生活中我们经常可以极大的降低特征维度，将一个十分棘手的问题转变成一个可以较为容易解决的问题。例

07

机器学习三人行(系列十)----机器学习降压神器(附代码)

系列九我们从算法组合的角度一起实战学习了一下组合算法方面的知识，详情戳下链接：机器学习三人行(系列九)----千变万化的组合算法(附代码) 但是，我们也知道算法组合会造成整体算法时间成本的增加，所以今天我们从降维的角度来看下，如何给算法降低时间成本。在这一期中，我们将主要讨论一下几方面内容：维度灾难降维的主要途径 PCA(主成分分析) Kernel PCA LLE(局部线性嵌入) 一. 维度灾难许多机器学习问题涉及特征多达数千乃至数百万个。正如我们将看到的，这不仅让训练变得非常缓慢，而且还会使得

09

深度学习100问-12：深度学习有哪些经典数据集？

很多朋友在学习了神经网络和深度学习之后，早已迫不及待要开始动手实战了。第一个遇到的问题通常就是数据。作为个人学习和实验来说，很难获得像工业界那样较高质量的贴近实际应用的大量数据集，这时候一些公开数据集往往就成了大家通往AI路上的反复摩擦的对象。

03

Chinese Text in the Wild 学习笔记

在本文中，我们用自然图像中包含的文字创建了一个大型数据集，名为Chinese Text in the Wild（CTW）。该数据集包含32,285张带有1,018,402个中文字符的图像，远远超出了之前的数据集，这些图片来自腾讯街景，从中国数十个不同的城市获取，没有任何特殊目的。由于其多样性和复杂性，该数据库存在极大的挑战性。它包含平面文本，凸起文本，城市文本，农村文本，低亮度文本，远处文本，部分遮挡文本等。对于每个图像，我们注释其所有中文。对每一个中文字符，我们注释它的底层字符，边界框和6个属性，以指示它是否被遮挡，复杂背景，扭曲，3D文字，艺术字和手写体。

02

为ML带来拓扑学基础，Nature子刊提出拓扑数据分析方法

从数学理论的角度来理解并提升机器学习方法，这也是近来非常有潜力的研究方向。不论是以前通过常微分方程或偏微分方程形式化神经网络，还是这一篇从拓扑学的角度强化神经网络的鲁棒性，也许当更多的数学基础被赋予机器学习时，它的发展与创新就会变得更加有「规律」。

03

详解torch EOFError: Ran out of input

在使用PyTorch进行深度学习模型训练或推理时，有时候会遇到EOFError: Ran out of input的错误。本文将详细解释这个错误的含义，并提供一些可能的解决方法。

01

深度学习中的数据简介 | PyTorch系列（十）

欢迎回到这个关于神经网络编程的系列。在这篇文章中，我们将介绍Fashion-MNIST数据集。

04

AAAI 2020 | 中科院&云从科技：双视图分类，利用多个弱标签提高分类性能

本文是对中科院信工所和云从科技共同完成，被 AAAI2020 录用的论文《Coupled-view Deep Classififier Learning from Multiple Noisy Annotators》进行解读。

01

一个超强算法模型，CNN ！！

大概介绍下：MNIST数字分类项目旨在使用机器学习技术来构建一个模型，能够自动识别手写数字的图像。这个项目是一个经典的图像分类任务，常用于入门级机器学习和深度学习示例。我们会使用MNIST数据集，这个数据集包含了一系列28x28像素的手写数字图像，从0到9。项目的目标是训练一个模型，能够准确地将这些手写数字图像分类到正确的数字标签。

01

ICCV 2019 | 无需数据集的Student Networks

在计算机视觉任务中，为了将预训练的深度神经网络模型应用到各种移动设备上，学习一个轻便的网络越来越重要。当我们可以直接访问训练数据集时，现有的深度神经网络压缩和加速方法对于训练紧凑的深度模型是非常有效的，但是现实情况却是，有了隐私保护，法规政策等，数据集的回去越来越困难，为此，本文提出了一种利用生成对抗网络(GANs)训练高效深度神经网络的新框架DAFL（Data-Free Learning）。

01

JCIM | 基于条件VAE的多目标分子优化

今天给大家介绍一篇最近发表在Journal of Chemical Information and Modeling 上的文章。在文章中，作者通过分子图条件变分自动编码器（MGCVAE）来生成具有指定特性的分子，并进行了多目标优化，以同时满足两个目标特性。

03

独家 | 一文读懂TensorFlow（附代码、学习资料）

人工智能、机器学习和深度学习在介绍TensorFlow（以下简称为TF）之前，我们首先了解一下相关背景。 TF是一种机器学习框架，而机器学习经常和人工智能，深度学习联系在一起，那么三者到底是什么关系呢？简单来讲三者可以理解为包含于被包含的关系。其中最大的是人工智能（以下简称为AI），AI最早起源于1956年的达特茅斯会议，当时AI的几位先驱在会上展示了最早的AI程序：Logic Theorist，能够自动推导数学原理第二章前52个定理中的38个，甚至其中一个定理的证明过程比书中给出的还要优

Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

对于许多任务来说，收集注释良好的图像数据集来训练现代机器学习算法的成本高得令人望而却步。一个吸引人的替代方案是渲染合成数据，其中地面实况注释是自动生成的。不幸的是，纯基于渲染图像训练的模型往往无法推广到真实图像。为了解决这一缺点，先前的工作引入了无监督的领域自适应算法，该算法试图在两个领域之间映射表示或学习提取领域不变的特征。在这项工作中，我们提出了一种新的方法，以无监督的方式学习像素空间中从一个域到另一个域的转换。我们基于生成对抗性网络（GAN）的模型使源域图像看起来像是从目标域绘制的。我们的方法不仅产生了合理的样本，而且在许多无监督的领域自适应场景中以很大的优势优于最先进的方法。最后，我们证明了适应过程可以推广到训练过程中看不到的目标类。

04

深度学习与机器学习中开源图片数据库汇总

本文介绍了深度学习与机器学习中开源图片数据库的汇总，包括ImageNet、CIFAR、MNIST、LFW、COCO、Pascal VOC、ImageNet、COCO、手写数字数据集、CIFAR-10、CIFAR-100、MNIST、手写数字数据集、ImageNet、Pascal VOC等数据集。这些数据集在训练和测试图片分类、目标检测、图像分割、场景分类、图像生成对抗网络、自然语言处理等任务中得到了广泛应用。同时，还介绍了一些流行的深度学习模型和数据集，如AlexNet、VGG、ResNet、Inception、EfficientNet、NASNet、Panoptic、OpenImages、COCO、ImageNet等，以及数据集的处理和分析方法，如数据增强、数据清洗、数据集划分等。这些方法和模型在计算机视觉、自然语言处理等领域得到了广泛应用，可以帮助研究人员更好地利用数据集进行训练和测试，提高模型的泛化能力和鲁棒性，推动人工智能技术的发展。

05

如何使用TensorFlow构建神经网络来识别手写数字

神经网络被用作深度学习的方法，深度学习是人工智能的许多子领域之一。它们大约在70年前首次提出，试图模拟人类大脑的工作方式，尽管它的形式要简化得多。各个“神经元”分层连接，分配权重以确定当信号通过网络传播时神经元如何响应。以前，神经网络在他们能够模拟的神经元数量上受到限制，因此他们可以实现学习的复杂性。但近年来，由于硬件开发的进步，我们已经能够构建非常深的网络，并在大量数据集上训练它们以实现机器智能的突破。

仅用200个样本就能得到当前最佳结果：手写字符识别新模型TextCaps

由于深度学习模型近期取得的进展，对于许多主流语言来说，手写字符识别已经是得到解决的问题了。但对于其它语言而言，由于缺乏足够大的、用来训练深度学习模型的标注数据集，这仍然是一个极具挑战性的问题。

02

Reddit热议！DeepMind最新研究解决灾难性遗忘难题

这篇由DeepMind研究团队出品的论文名字叫“Functional Regularisation for Continual Learning”（持续学习的功能正规化）。研究人员引入了一个基于函数空间贝叶斯推理的持续学习框架，而不是深度神经网络的参数。该方法被称为用于持续学习的函数正则化，通过在底层任务特定功能上构造和记忆一个近似的后验信念，避免忘记先前的任务。

05

开源 | 谷歌大脑提出TensorFuzz，用机器学习debug神经网络

神经网络正逐渐影响人类生活环境，包括医学诊断、自动驾驶、企业和司法决策过程、空中交通管制、以及电网控制。这些人类可以做到的事，神经网络也有可能做到。它可以拯救生命、为更多的人提供帮助。然而，在实现这些应用之前，我们首先需要确定神经网络到底是不是可靠的，因此它的修正和调试方法恰恰是我们现在所缺失的。

02

仅用200个样本就能得到当前最佳结果：手写字符识别新模型TextCaps

由于深度学习模型近期取得的进展，对于许多主流语言来说，手写字符识别已经是得到解决的问题了。但对于其它语言而言，由于缺乏足够大的、用来训练深度学习模型的标注数据集，这仍然是一个极具挑战性的问题。

01

面向超网络的连续学习：新算法让人工智能不再“灾难性遗忘”

这种可以在新的环境中不断吸收新的知识和根据不同的环境灵活调整自己的行为的能力，也正是深度学习系统与人脑相差甚远的重要原因。

02

对抗样本的反思：仅仅设置更小的扰动阈值 ε，或许并不够

对抗样本是各种机器学习系统需要克服的一大障碍。它们的存在表明模型倾向于依赖不可靠的特征来最大限度的提高性能，如果受到干扰，可能会导致错误分类，带来潜在的灾难性后果。对抗性样本的非正式定义可以认为是，输入被以一种人类难以察觉的方式修改后，机器学习系统会将它们错误分类，而没有修改的原始输入却能被正确分类。下图就说明了这种情况：

02

keras教程：卷积神经网络（CNNs）终极入门指南

本篇教程将会手把手教你使用keras搭建卷积神经网络（CNNs）。为了使你能够更快地搭建属于自己的模型，这里并不涉及有关CNNs的原理及数学公式，感兴趣的同学可以查阅《吊炸天的CNNs，这是我见过最详尽的图解！》写在程序之前：为了学习得更快，一些背景知识需要你了解 • 最常见的CNNs架构上述模式，是一个最为常见的卷积网络架构模式。如果上述链条理解起来比较吃力，你可以到这里恶补下基础知识。我们后面的代码，都是遵循上述模式来编写的。 • MNIST 数据集在MN

06

学界 | 为数据集自动生成神经网络：普林斯顿大学提出NeST

选自arXiv 机器之心编译参与：李亚洲、李泽南普林斯顿大学最近提出的 NeST 方法从新的角度为神经网络优化打开了方向。研究人员提出的新技术可以用「种子」神经网络为基础，对特定数据集自动生成最优化的神经网络，这些生成的模型在性能上超过此前业内最佳水平，同时资源消耗与模型尺寸相比同类模型小了一个数量级。研究人员称，NeST 方法在工作过程中与人类大脑的成长和处理任务方式非常相近。过去十几年，神经网络变革了大量的研究领域，例如计算机视觉、语音识别、机器人控制等。神经网络通过多层抽象从数据集中提取智能的能

05

推荐｜机器学习中的模型评价、模型选择和算法选择！

摘要：模型评估、模型选择和算法选择技术的正确使用在学术性机器学习研究和诸多产业环境中异常关键。本文回顾了用于解决以上三项任务中任何一个的不同技术，并参考理论和实证研究讨论了每一项技术的主要优势和劣势

07

模型攻击：鲁棒性联邦学习研究的最新进展

现代机器学习算法在实际应用场景中可能会受到各种对抗性攻击，包括数据和模型更新过程中中毒（ Data and Model Update Poisoning）、模型规避（Model Evasion）、模型窃取（Model Stealing）和对用户的私人训练数据的数据推理性攻击（Data Inference Attacks）等等。在联邦学习的应用场景中，训练数据集被分散在多个客户端设备（如桌面、手机、IoT 设备）之间，这些设备可能属于不同的用户 / 组织。这些用户 / 组织虽然不想分享他们的本地训练数据集，但希望共同学习得到一个全局最优的机器学习模型。由于联邦学习框架的这种分布式性质，在使用安全聚合协议（Secure Aggregation）的情况下，针对机器学习算法的故障和攻击的检测纠正更加困难。

06

深度 | 机器学习中的模型评价、模型选择及算法选择

作者：Sebastian Raschka 翻译：reason_W 编辑：周翔简介正确使用模型评估、模型选择和算法选择技术无论是对机器学习学术研究还是工业场景应用都至关重要。本文将对这三个任务的相关技术进行回顾，并就每种技术的理论和实证研究的主要优缺点进行讨论。文章还将就机器学习算法中的超参数调优给出尽可能的建议，用以实现最佳的算法效果。文中内容涉及很多常用方法，比如模型评估和选择中的Holdout方法等；介绍了bootstrap技术的不同变体，通过正态逼近得到置信区间来衡量性能估计（performa

04

最讨厌说大话，只想聊经验！我从创建Hello world神经网络到底学会了什么？

我开始跟神经网络打交道是在几年之前，在看了一篇关于神经网络用途的文章后，我特别渴望能够深入研究一下这个在过去几年间吸引了众多关注的问题解决方案。 2015年，斯坦佛大学研发了一个模型，当时我被这个模型惊艳到了，因为它可以生成图片以及其所属区域的自然语言描述。看完之后，我非常想要做一些类似的工作，于是我开始了搜索。根据我在其他机器学习领域的相关专题的经验，非常详细的数学解释，各种各样的衍生以及公式让人理解起来特别困难。于是，我决定暂时抛开这些。当然这并不是说能立即上手写代码。必须学习一些关于神经网络的

05

Softmax 识别手写数字

MNIST是一个非常简单的机器视觉数据集，如下图所示，它由几万张28像素x28像素的手写数字组成，这些图片只包含灰度值信息。我们的任务就是对这些手写数字的图片进行分类，转成0~9一共十类。

04

在TensorFlow中对比两大生成模型：VAE与GAN

选自GitHub 机器之心编译参与：路雪、李泽南变分自编码器（VAE）与生成对抗网络（GAN）是复杂分布上无监督学习最具前景的两类方法。本文中，作者在 MNIST 上对这两类生成模型的性能进行了对比测试。项目链接：https://github.com/kvmanohar22/Generative-Models 本项目总结了使用变分自编码器（Variational Autoencode，VAE）和生成对抗网络（GAN）对给定数据分布进行建模，并且对比了这些模型的性能。你可能会问：我们已经有了数百万张图像

04

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

在本文中，我们将学习如何使用keras，用手写数字图像数据集（即MNIST）进行深度学习。本文的目的是为了让大家亲身体验并熟悉培训课程中的神经网络部分。

03

在TensorFlow中对比两大生成模型：VAE与GAN（附测试代码）

来源：机器之心本文长度为3071字，建议阅读6分钟本文在 MNIST 上对VAE和GAN这两类生成模型的性能进行了对比测试。项目链接：https://github.com/kvmanohar22/ Generative-Models 变分自编码器（VAE）与生成对抗网络（GAN）是复杂分布上无监督学习最具前景的两类方法。本项目总结了使用变分自编码器（Variational Autoencode，VAE）和生成对抗网络（GAN）对给定数据分布进行建模，并且对比了这些模型的性能。你可能会问：我们已经

【1】paddle飞桨框架高层API使用讲解

飞桨框架2.0全新推出高层API，是对飞桨API的进一步封装与升级，提供了更加简洁易用的API，进一步提升了飞桨的易学易用性，并增强飞桨的功能。

03

基于OpenCL的深度学习工具：AMD MLP及其使用详解

【编者按】深度学习是近年来迅速发展和突破的机器学习领域，具有非常广泛的应用前景。将服务器GPU应用到深度学习过程中，可以更好地推动深度学习技术研究和应用的发展。本文介绍AMD深度学习团队开发的MLP学习工具软件的使用，为深度学习研究人员和开发商提供一个高性能、高易用性的深度学习的软硬件平台方案。AMD-MLP基于OpenCL，支持不同类型的GPU平台，并能通过多GPU扩展学习速度。深度学习神经网络简介深度学习是人工智能的学科—机器学习的一个研究领域，是多种学习方法的集合。深度学习的各种学习方法都采用类似

04

Nature Machine Intelligence | 三种类型的增量学习

今天给大家带来一篇剑桥大学有关增量学习的文章。从非平稳的数据流中渐进地学习新信息，被称为“持续学习”，是自然智能的一个关键特征，但对深度神经网络来说是一个具有挑战性的问题。近年来，许多用于持续学习的深度学习方法被提出，但由于缺乏共同的框架，很难比较它们的性能。为了解决这个问题，我们描述了持续学习的三种基本类型或“场景”:任务增量式学习、领域增量式学习和类增量式学习。每一种情况都有自己的挑战。为了说明这一点，作者通过根据每个场景执行Split MNIST和Split CIFAR-100协议，对目前使用的持续学习策略进行了全面的实证比较。作者证明了这三种情况在难度和不同策略的有效性方面存在实质性差异。提出的分类旨在通过形成清晰定义基准问题的关键基础来构建持续学习领域。

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