你想开始进行深度学习吗? 这有一篇关于Keras的深度学习的文章（地址见下方链接），对图像分类的神经网络做了一个总体概述。然而，它缺少一个关键的因素——实际的动手练习。本文将试图填补这一空白。 文章：
你知道吗？在 iOS 设备上也可以直接训练 LeNet 卷积神经网络，而且性能一点也不差，iPhone 和 iPad 也能化为实实在在的生产力。
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。
允中 发自 凹非寺 量子位 报道 | 公众号 QbitAI 上周六，量子位在报道中提到德国时尚圈的科学家，推出一个名叫Fashion-MNIST的数据集。这个数据集里都是衣裤鞋包，但它的目标是替代MN
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
本文的目标读者是像我这样没有软件工程师背景的数据科学家和机器学习（ML）从业者，而非经验丰富的软件工程师。
本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码 第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备 机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_int
本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。 第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备 机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第二 【Python】：排名第三 【算法】：排名第四 转自1024深度学习 导语：本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。本教程包含还包含笔记和带有注解的代码。 第一步：给TF新手的教程指南 1：tf初学者需要明白的入门准备 机器学习入门笔记： https://github.com/ay
导语：本文回顾了Fashion-MNIST发布后的一年里在人工智能/机器学习学术圈和社区中所取得的进展。该数据集的初衷是替代MNIST，为机器学习提供一个新的基准集。一年里，Fashion-MNIST有超过250篇学术论文引用。来自Google, Cambridge, 北大, UCLA, Microsoft等250家研究机构横跨38个国家的研究员在实验中使用了这个数据集，他们的成果发表在NIPS、ICLR、ICML等顶会甚至Science等知名刊物上。 引言 距离我2017年8月发布Fashion
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
本文搜集整理了Jupyter Notebook中TensorFlow和PyTorch的各种深度学习架构，模型和技巧，内容非常丰富，适用于Python 3.7，适合当做工具书。
最近，Jeff Leek 在 Simply Stats 上发表了一篇题为「如果你的数据量不够大就不要使用深度学习」（Don’t use deep learning your data isn’t that big）的文章（链接见文末），认为只有获得了谷歌、Facebook 这样规模的数据才有资格做深度学习。对于这点 Andrew L. Beam（本文作者）并不反对，他认为这使我们清楚地意识到深度学习并不是一种万能的灵药；但是，虽然 Beam 同意其核心观点，但是其还有很多不明确或不清晰的地方，并且 Be
人工智能无疑是2017年最火爆的技术，许多外行的朋友想学习却不知道从何下手，所以特意将此文翻译过来，供大家参考。可以在短期之内进入这个领域。这些视频大多数都可以在国内的网站上找到。 这个“前十名单”是根据最佳内容创建的，而不是根据评论数量。为了帮助你选择合适的框架，我们首先从一个比较流行的Python DL库的视频开始。。让我们开始！ 1.概述：比较深度学习框架（96K次） - 5分钟 在学习Python，先理解5个最流行的深度学习框架-SciKit Learn，TensorFlow，Theano，Ke
大数据文摘作品 编译：余志文、Ether、钱天培 “卷积神经网络（CNN）的时代已经过去了！”——Geoffrey Hinton 酝酿许久，深度学习之父Geoffrey Hinton终于在上月发表了备受瞩目的Capsule Networks(CapsNet)。 Hinton本次挟CapsNet而来，大有要用它取代CNN的气势。那么，CapsNet相比CNN到底有哪些优势？它又是否能为AI界带来革命性转折呢？今天，文摘菌就来为大家科普一下这一深度学习的新里程碑。 首先，这位被誉为深度学习之父Geoffrey
Nick Bourdakos 文 李林 若朴 编译自 HackerNoon 量子位 出品 | 公众号 QbitAI Capsule Networks，或者说CapsNet，这个名字你应该已经听过好几次
前一篇文章讲解了Tensorboard可视化的基本用法，并绘制整个神经网络及训练、学习的参数变化情况。本篇文章将通过TensorFlow实现分类学习，以MNIST数字图片为例进行讲解。本文主要结合作者之前的博客、AI经验和"莫烦大神"的视频介绍，后面随着深入会讲解更多的Python人工智能案例及应用。
选自Mybridge 机器之心编译 参与：李泽南 2017 年里哪些机器学习项目最受人关注？Mybridge 为我们整理了一份 Top 30 列表，以下所有项目均附有 GitHub 链接。 我们对比了近 8800 个开原机器学习项目，并挑选了其中最好的 30 个列举于此。这是一个非常具有竞争力的列表，其中包含 2017 年 1 月-12 月份开源的各类优秀机器学习库、数据集和应用。Mybridge AI 通过流行度、参与度和新鲜程度来对它们进行评级。先给你一个直观印象：它们的 GitHub 平均 stars
教科书和课程会让你误以为精通，因为材料就在你面前。但当你尝试去应用它时，可能会发现它比看起来更难。而「项目」可帮助你快速提高应用的 ML 技能，同时让你有机会探索有趣的主题。
有这么一份干货，汇集了机器学习架构和模型的经典知识点，还有各种TensorFlow和PyTorch的Jupyter Notebook笔记资源，地址都在，无需等待即可取用。
选自Github 作者：Andrew L. Beam 机器之心编译 最近，Jeff Leek 在 Simply Stats 上发表了一篇题为「如果你的数据量不够大就不要使用深度学习」（Don't use deep learning your data isn't that big）的文章（链接见文末），认为只有获得了谷歌、Facebook 这样规模的数据才有资格做深度学习。对于这点 Andrew L. Beam（本文作者）并不反对，他认为这使我们清楚地意识到深度学习并不是一种万能的灵药；但是，虽然 Bea
选自Analytics Vidhya 作者：Pranav Dar 机器之心编译 参与：陈韵竹、路 本文介绍了 25 个深度学习开放数据集，包括图像处理、自然语言处理、语音识别和实际问题数据集。 介绍 深度学习（或生活中大部分领域）的关键在于实践。你需要练习解决各种问题，包括图像处理、语音识别等。每个问题都有其独特的细微差别和解决方法。 但是，从哪里获得数据呢？现在许多论文都使用专有数据集，这些数据集通常并不对公众开放。如果你想学习并应用技能，那么无法获取合适数据集是个问题。 如果你面临着这个问题，本文可以为
大数据文摘作品 编译：叶一、Shan LIU、Aileen 2017年是机器学习应用全面开花的一年，惊为天人的想法和项目层出不穷。我们对比了过去一年中近8800个开源机器学习项目，并挑选了其中较好的30个（Top 0.3%）列举于此。 这是一份极具竞争性的列表，它精挑细选了发表于2017年1月-12月份的机器学习库、数据集和应用类的优质项目。我们通过流行度、参与度和时近性来对其质量进行评级。有一项数据可以让你对表单质量有一个直观印象：这些项目的GitHub平均stars数是3558。 开源项目对于数据科
原文：https://www.analyticsvidhya.com/blog/2018/03/comprehensive-collection-deep-learning-datasets/?spm
Deep Cognition (深度认知) 建立的深度学习工作室，为很多准备部署深度学习框架和采用人工智能技术的机构打破了诸多难以逾越的障碍。
上一次写了篇薅GPU百度AI Studio计算资源的文章，收到很多AI算法初学者私信，问我能不能补充一些AI Studio的学习资源。有求必应向来是我的风格，于是我加入了AI Studio和飞桨（PaddlePaddle）开发者QQ群，为大家收集了一些资源，涵盖了从入门到高阶的各种常用算法和代码。为了阅读连贯性，本文先简单介绍一下AI Studio，然后讲解下免费GPU资源政策的变化与怎么拿，最后按照从入门到高阶，介绍一些能帮助你尽快掌握各种算法的资源。
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。
文件下载：https://download.csdn.net/download/sxf1061700625/19229794
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。
选自MiniMaxir 作者：Max Woolf 机器之心编译 参与：Jane W、吴攀 Keras 是由 François Chollet 维护的深度学习高级开源框架，它的底层基于构建生产级质量的深度学习模型所需的大量设置和矩阵代数。Keras API 的底层基于像 Theano 或谷歌的 TensorFlow 的较低级的深度学习框架。Keras 可以通过设置 flag 自由切换后端（backend）引擎 Theano/TensorFlow；而不需要更改前端代码。 虽然谷歌的 TensorFlow 已广受
对使用PyTorch Lightning的训练代码和原始的PyTorch代码进行了对比，展示了其简单，干净，灵活的优点，相信你会喜欢的。
选自hasty.ai 作者：Vladimir Lyashenko 机器之心编译 编辑：陈萍 干净的数据对于你的 AI 模型的表现有多重要？ 有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。 通常情况下，模型性能较差可能是由于训练数据质量不高引起的。即使在 2022 年，由于数据是公司最重要的资
作者在kaggle比赛中从建立基线到一步一步的优化过程，最终将performance提升了一倍，非常好的竞赛经验总结文章。
点击上方↑↑↑“OpenCV学堂”关注我来源：公众号 机器之心 授权 干净的数据对于你的 AI 模型的表现有多重要？ 有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。 通常情况下，模型性能较差可能是由于训练数据质量不高引起的。即使在 2022 年，由于数据是公司最重要的资产之一，开发人员也经常
有研究称，他们使用一种技术在一周内清理了 PASCAL VOC 2012 数据集中的 17120 张图像，并发现 PASCAL 中 6.5% 的图像有不同的错误（缺失标签、类标签错误等）。他们在创纪录的时间内修复了这些错误，并将模型的性能提高了 13% 的 mAP。
来源：NYT，arXiv 编译：闻菲、刘小芹 【新智元导读】《纽约时报》今日发文，记者走访Hinton在多伦多的实验室，为我们带来Hinton新作“Capsule Network”的更多信息。同时，新智元注意到Hinton和Capsule Network作者之一的Nicholas Frosst最近新发表了论文，使用训练好的神经网络创建一种软决策树（soft decision tree），以此更好地理解神经网络如何做出分类决策。一方面推倒重建，一方面更好地理解，大神Hinton，一直奋斗在深度学习第一线。 2
从本专栏开始，作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章详细讲解了Keras环境搭建、入门基础及回归神经网络案例。本篇文章将通过Keras实现分类学习，以MNIST数字图片为例进行讲解。基础性文章，希望对您有所帮助！
fashion MNIST数据集可以从Github获取。它包含10种类别的灰度图像，共7000个，每个图像的分辨率均为28x28px。下图以25张带有标签的图片向我们展示了该数据集中的数据。
前文我们用keras的Sequential 模型实现mnist手写数字识别，准确率0.9713。今天我们完成day40-42的课程，实现猫、狗的识别。
在本系列的上一篇博客文章中，我们探索了将GPU用于数据科学工作流的好处，并演示了如何在Cloudera Machine Learning（CML）中设置会话以访问NVIDIA GPU来加速机器学习项目。尽管将GPU用于复杂和大型任务的省时潜力巨大，但设置这些环境和任务（例如整理NVIDIA驱动程序，管理CUDA版本以及为特定项目需求部署自定义引擎）可能既耗时又充满挑战。为了简化这些流程，并使数据科学家更快地在ML用例上工作，我们简化了在CML中本地配置和利用NVIDIA GPU的工作。在接下来的部分中，我们将为您提供三种简单的方法，使数据科学团队可以开始使用GPU来为CML中的深度学习模型提供支持。
严格来说，softmax回归应该不算深度学习，不过这是我用Tensorflow搭建的第一个模型，所以如果你之前没接触过Tensorflow，我觉得softmax作为入门的第一个项目是一个不错的选择。
虽然当前的基准强化学习（RL）任务对于推动这一领域的进展大有裨益，但在许多方面还不能很好地替代真实数据的学习。在低复杂度的仿真环境中测试日益复杂的RL算法，获得的RL策略难以推广。
paper：Optimality of short-term synaptic plasticity in modelling certain dynamic environments
作者 | Lukas Koucky、Jan Maly 译者 | 王强 策划 | 凌敏
在本教程中，您将学习在训练自己的自定义深度神经网络时，验证损失可能低于训练损失的三个主要原因。
过去的一年，在 AI 领域里发生了许多事情，也有很多发现和丰富的发展。很难在各种观点中提取出有效的信号，如果它存在，那么这个信号又说明了什么。这篇文章的目的正在于此：我将尝试提取过去一年在 AI 领域里一些共通的模式。如果幸运的话，我们将看到一些（AI 的）趋势是如何延伸到不久的将来。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
