Microsoft training kits对于开始学习一门新技术的时候是一个非常好的资料.下面是一些training kits列表: .NET Framework 3.5 Enhancements Training Kit Visual Studio 2008 and .NET Framework 3.5 Training Kit SQL Server 2008 Developer Training Kit Visual Studio 2010 and .NET Framework 4 Training
在诸如自然语言处理、推荐系统构建等深度学习研究的许多方面，词汇嵌入和高维数据无处不在。谷歌最近开源了 embedding project 项目，此项目是一个交互式、协作、可视化工具，可用于高维数据的可视化。该项目是在欧几里得空间中实现点到空间数据的映射。许多类型的大数据需要进行可视化，这些可视化包括图表、神经网络、记录关于权重的参数摘要，sigmoid 激活函数，以及机器学习模型的精度。
任务： 使用tensorflow训练一个神经网络作为分类器，分类的数据点如下： 螺旋形数据点 原理 数据点一共有三个类别，而且是螺旋形交织在一起，显然是线性不可分的，需要一个非线性的分类器。这里选择神
Batch Normalization: 使用 tf.layers 高级函数来构建带有 Batch Normalization 的神经网络 参考文献吴恩达 deeplearningai 课程[1]课程笔记[2]Udacity 课程[3] 在使用 tf.layers 高级函数来构建神经网络[4]中我们使用了 tf.layers 包构建了一个不包含有 Batch Normalization 结构的卷积神经网络模型作为本节模型的对比 本节中将使用 tf.layers 包实现包含有 Batch Normaliza
原项目 | https://github.com/aymericdamien/TensorFlow-Examples/
Evacloud 参考文献吴恩达deeplearningai课程课程笔记Udacity课程 """ 大多数情况下，您将能够使用高级功能，但有时您可能想要在较低的级别工作。例如，如果您想要实现一个新特性—一些新的内容，那么TensorFlow还没有包括它的高级实现， 比如LSTM中的批处理规范化——那么您可能需要知道一些事情。 这个版本的网络的几乎所有函数都使用tf.nn包进行编写，并且使用tf.nn.batch_normalization函数进行标准化操作 'fully_connected'函数的
这篇文章介绍如何使用Michael Nielsen 用python写的卷积神经网络代码，以及比较卷积神经网络和普通神经网络预测的效果。
图像处理、视觉领域的很多问题都可以看成是翻译问题，就像把一种语言翻译成另外一种语言一样。比如灰度图像彩色化、航空图像区域分割、设计图的真实虚拟等，跟语言翻译一样，很少有一对一的直接翻译。图像整合了梯度信息、边缘信息、色彩与纹理信息，传统的图像翻译基于像素级别无法有效建模，而条件生成对抗网络(Conditional GANs)可以对这类问题有很好的效果。
假设隐含状态长度为h，数据Xt是一个样本数为n、特征向量维度为x的批量数据，其计算如下所示（W和b表示权重和偏置）：
本文介绍了机器学习中的泛化能力、过拟合和欠拟合问题，以及如何解决这些问题。文章还讨论了如何确定模型的容量，以避免过度拟合和欠拟合，并提出了常见的方法来减小模型的容量。
内存子系统是 SoC 中最复杂的系统之一，对芯片的整体性能至关重要。近年来，内存市场呈爆炸式增长，在移动、消费和企业系统中势头强劲。这不仅导致内存控制器 （MC） 越来越复杂，还导致将内存子系统连接到外部 DRAM 的 PHY变得非常复杂。
关于BP神经网络的原理可以参考我的上一篇文章：BP（Back Propagation）神经网络——原理篇
Batch Normalization: 使用 tf.layers 高级函数来构建神经网络 参考文献 吴恩达 deeplearningai 课程[1] 课程笔记[2] Udacity 课程[3] 批量标准化在构建深度神经网络时最为有用。为了证明这一点，我们将创建一个具有20个卷积层的卷积神经网络，然后是一个完全连接的层。我们将使用它来对MNIST数据集中的手写数字进行分类，现在您应该熟悉这一点。这不是划分MNIST数字的最好网络。您可以创建更简单的网络并获得更好的结果。但是，为了给您批量标准化的实践经验，
分割其实就是对每一个像素进行分类。在代码上，分割与分类的区别就更小了，都是用全连接层输出一定的数目，这个数目就是你要分类/分割的个数。
我对他的框图加了注释，便于理解，红色圈为yolo_block,深红色注解为前一模块的输出，请对照代码
今天写点代码方面的内容，昨天已经简单讲解过paper了，只看文章的话，理解的效果一般，所以今天结合代码再来充分认识PointNet。代码分为分类、分割两部分，本文以分类为例。
一、TensorFlow 原文：TensorFlow Tutorials 译者：飞龙 协议：CC BY-NC-SA 4.0 1.1 TensorFlow 基本操作 致谢：派生于 Aymeric Damien 的 TensorFlow 示例 配置 参考配置指南。 import tensorflow as tf # 基本的常量操作 # 由构造器返回的值 # 表示常量操作的输出 a = tf.constant(2) b = tf.constant(3) # 加载默认图 with tf.Session(
最近在看吴恩达的机器学习课程，自己用python实现了其中的logistic算法，并用梯度下降获取最优值。
作者 | Md Sohel Mahmood 编译 | VK 来源 | Towards Data Science
该文介绍了如何使用ResNet和DenseNet两种网络结构进行图像分类。首先介绍了ResNet网络的基本结构，然后详细讲解了如何使用ResNet搭建网络。接着介绍了DenseNet网络的基本结构，然后详细讲解了如何使用DenseNet搭建网络。最后通过实验验证了这两种网络在图像分类任务上的性能。
最近报名了Udacity的深度学习基石，这是介绍了第二部分神经网络入门，第一篇是线性回归背后的数学. 本文notebook的地址是：https://github.com/zhuanxuhit/nd101/blob/master/1.Intro_to_Deep_Learning/2.How_to_Make_a_Neural_Network/python-network.ipynb
之前我们提到使用SqueezeSeg进行了三维点云的分割，由于采用的是SqueezeNet作为特征提取网络，该方法的处理速度相当迅速（在单GPU加速的情况下可达到100FPS以上的效率），然而，该方法存在如下的问题：
已经可以从图像中提取基于形状的特征，如何使用这一组特征来检测整个对象，以山峰图像角点检测举例：
随着每一代接口(Interface)和存储(memory)的频率和速率的提高，信号采样以及传输变得越来越困难，因为数据眼(data eyes)越来越小。
https://medium.com/technology-invention-and-more/how-to-build-a-simple-neural-network-in-9-lines-of-python-code-cc8f23647ca1
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
--last-value <largest_column_num> 检查的列中的上一个导入的值
感知器PLA是一种最简单，最基本的线性分类算法（二分类）。其前提是数据本身是线性可分的。 模型可以定义为 ，sign函数是阶跃函数，阈值决定取0或1。 模型选择的策略，利用经验损失函数衡量算法性能，由
简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家Yann LeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人。
回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。本文简单的介绍一下简单线性回归。
Batch Normalization 会使你的参数搜索问题变得很容易，使神经网络对超参数的选择更加稳定，超参数的范围会更加庞大，工作效果也很好，也会使你的训练更加容易，甚至是深层网络。
tf.contrib.learn Quickstart TensorFlow的机器学习高级API(tf.contrib.learn)使配置、训练、评估不同的学习模型变得更加容易。在这个教程里，你将使用tf.contrib.learn在Iris data set上构建一个神经网络分类器。代码有一下5个步骤： 在TensorFlow数据集上加载Iris 构建神经网络 用训练数据拟合 评估模型的准确性 在新样本上分类 Complete Neural Network Source Code 这里是神经网络的源代码：
本文介绍了机器学习中的超参数和验证集的相关概念，以及如何使用验证集来选择合适的超参数，并通过具体例子进行了详细说明。最后还介绍了交叉验证的相关方法，用于处理数据量较小的情况。
第二届国际中文分词评测（Second International Chinese Word Segmentation Bakeoff，简称 SIGHAN05）于 2005 年夏天在韩国济州岛举行。SIGHAN05 提供AS、CITYU、MSR和PKU四个语料库，这些完整的训练集、测试集以及测试集的（黄金）标准切分以及评分脚本可免费用于研究目的。下面就是 SIGHAN05 的主页地址：
使用tensorflow构建如上图所示的CNN用于对MNIST数据集进行softmax classification。
近年来，机器学习在各个领域都取得了重大突破，在生命科学、医学领域应用的也越来越多。但想要真正建立一个模型仍费时费力，要花相当一段时间去学习（可参考我之前写的相关笔记）。而且即使是高水平的人工智能专家，在大数据智能分析机器学习建模时，也主要依靠人工经验，建模过程费时费力，缺少有效方法。
本文结合50层深度残差网络的实现学习何博士的大作-Deep Residual Learning for Image Recognition。理论上，深层网络结构包含了浅层网络结构所有可能的解空间，但是实际网络训练中，随着网络深度的增加，网络的准确度出现饱和，甚至下降的现象，这个现象可以在下图直观看出来：56层的网络比20层网络效果还要差。但是这种退化并不是因为过拟合导致的，因为56层的神经网络的训练误差同样高。
由于本系列博文主要专注于Tensorflow本身，所以还是老样子不会过多讲解神经网络的理论知识。 可以参阅这篇博文来先理解下神经网络：http://blog.csdn.net/u011239443/article/details/76680704
MachineLP的Github（欢迎follow）：https://github.com/MachineLP
本文介绍了如何使用Caffe绘制训练过程中的loss和accuracy曲线。首先介绍了如何安装和配置Caffe，然后讲解了如何使用Caffe自带的日志工具来分析训练过程中的loss和accuracy。最后给出了一组示例，展示了如何修改gnuplot设置以绘制双曲线。
由于云计算在资源成本和弹性扩容方面的天然优势，越来越多客户愿意在云上构建 AI 系统，而以容器、Kubernetes 为代表的云原生技术，已经成为释放云价值的最短路径， 在云上基于 Kubernetes 构建 AI 平台已经成为趋势。
Graph neural networks (GNNs) have been demonstrated to be a powerful algorithmic model in broad application fields for their effectiveness in learning over graphs. To scale GNN training up for large-scale and ever-growing graphs, the most promising solution is distributed training which distributes the workload of training across multiple computing nodes. However, the workflows, computational patterns, communication patterns, and optimization techniques of distributed GNN training remain preliminarily understood. In this paper, we provide a comprehensive survey of distributed GNN training by investigating various optimization techniques used in distributed GNN training. First, distributed GNN training is classified into several categories according to their workflows. In addition, their computational patterns and communication patterns, as well as the optimization techniques proposed by recent work are introduced. Second, the software frameworks and hardware platforms of distributed GNN training are also introduced for a deeper understanding. Third, distributed GNN training is compared with distributed training of deep neural networks, emphasizing the uniqueness of distributed GNN training. Finally, interesting issues and opportunities in this field are discussed.
作者丨刘昕宸@知乎 来源丨https://zhuanlan.zhihu.com/p/264627148?utm_source=wechat_session&utm_medium=social&utm_
《人群计数--Switching Convolutional Neural Network for Crowd Counting》提出了一种基于切换卷积神经网络的人群计数方法。该方法通过将图像分成多个小块，并利用不同的卷积神经网络对每个小块进行分类，从而实现对人群密度的估计。该方法还使用了一种基于差异训练的方法来提高模型的准确性，并使用一种耦合训练的方法来同时训练分类器和回归器。在三个数据集上的实验结果表明，该方法能够有效地对人群进行计数，并且可以快速地估计人群密度。
在上面的示例中，我们在Dojo命名空间中创建了一个名为Ninja的新类。如果我们没有使用命名空间，并且我们的应用程序中包含了另一个名为Ninja的类，那么我们将得到一个错误，说明我们不能重新声明类。
作者：叶 虎 编辑：张 欢 PART 01 ResNet简介 引言 深度残差网络（Deep residual network, ResNet）的提出是CNN图像史上的一件里程碑事件，让我们先看一下
在本教程中，我们将使用 TensorFlow (Keras API) 实现一个用于多分类任务的深度学习模型，该任务需要对阿拉伯语手写字符数据集进行识别。
翻译：丁雪 校对：王方思 在拿破仑·希尔（Napolean Hill）所著的《思考致富》（Think and Grow Rich）一书中，他为我们引述了Darby苦挖金矿多年后，就在离矿脉一步之遥的时候与宝藏失之交臂的故事。 思考致富中文版的豆瓣阅读链接： http://read.douban.com/reader/ebook/10954762/ 根据该书内容进行的修改 如今，我虽然不知道这故事是真是假，但是我明确知道在我身边有不少这样的“数据Darby”。这些人了解机器学习的目的和执行，对待任何研究问题只
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
即时通信 IM
对象存储
