暂无搜索历史
通过1989年LeCun处理网络状拓扑数据（图像和时间系列数据）的研究，CNN首次受到关注。CNN被视为理解图像内容的最好技术之一，并且在图像识别、分割、检测和...
在深度学习领域，PyTorch是一个非常流行的框架，而 torch.nn 模块是PyTorch中用于构建神经网络的核心模块。
ShuffleNet 是Face++团队提出的，晚于MobileNet两个月在arXiv上公开《ShuffleNet： An Extremely Efficie...
在图像处理和计算机视觉领域，图像融合技术通过整合来自多个传感器或模型的信息，提高图像质量、特征提取和识别精度。根据融合的层次，图像融合可以分为三类：像素级融合、...
SqueezeNet出自 F.N.landola, S.Han等人发表的论文《SqueezeNet：ALexNet-level accuracy with 50...
（1）对于在线计算内存存储有限的应用场景或设备，可以选择参数共享和参数剪枝方法，特别是二值量化权值和激活、结构化剪枝。其他方法虽然能够有效的压缩模型中的权值参数...
基于低秩分解的深度神经网络压缩与加速的核心思想是利用矩阵或张量分解技术估计并分解深度模型中的原始卷积核。卷积计算是整个卷积神经网络中计算复杂度最高的计算操作，通...
模型压缩是指利用数据集对已经训练好的深度模型进行精简，进而得到一个轻量且准确率相当的网络，压缩后的网络具有更小的结构和更少的参数，可以有效降低计算和存储开销，便...
对于大部分用户来说，只要考虑计算能力就可以了。GPU内存尽量小于4GB。但如果GPU要同时显示图形界面，那么推荐的内存大小至少为6GB。内存带宽通常相对固定，选...
深度学习训练和推理的过程中，会涉及到大量的向量（vector），矩阵（matrix）和张量（tensor）操作，通常需要大量的浮点计算，包括高精度（在训练的时候...
这几方面都对最终的结果有着举足轻重的影响，这也是目前的数据工程师和学者们的主要工作。但由于这每一方面都十分繁琐，尤其是在构建模型和训练模型上，而大部分情况下，这...
在讨论如何调试模型之前，我们先来纠正一个误区。通常理解如何调试模型的时候，我们想到一系列优秀的神经网络模型以及调试技巧。但这里需要指出的是数据才是模型的根本，如...
关于训练深度学习模型最难的事情之一是你要处理的参数的数量。无论是从网络本身的层宽（宽度）、层数（深度）、连接方式，还是损失函数的超参数设计和调试，亦或者是学习率...
评价模型不仅要从模型的主要指标上的性能，也要注重模型的稳定性。模型的稳定性体现在对不同样本之间的体现的差异。如模型的方差很大，那可以从如下几个方面进行考虑：
对象本身会有许多属性。所谓特征，即能在某方面能表征对象的一个或者一组属性。一般地，我们可以把特征分为如下三种类型：
目前大部分的深度学习模型仍然需要海量的数据支持。例如ImageNet数据就拥有1400多万的图片，而现实生产环境中，数据集通常较小，只有几万甚至几百个样本。这时...
“左移位”运算（<<）是将一个二进制数向左移动指定的位数，左边（高位端）溢出的位被丢弃，右边（低位端）的空位用0补充。
指在Python中被赋予特定意义的一些单词，在开发程序时，不可以把这些保留字作为变量、函数、类、模块和其他对象的名称来使用。
A. 机器语言 B. 解释 C. 编译 D.汇编语言
暂未填写公司和职称
暂未填写个人简介
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市
