Свързани публикации 'deep-learning'
Graph Neural Networks: учебно пътуване от 2008 г. — Python & Deep Walk
Практически уроци
Graph Neural Networks: едно учебно пътуване от 2008 г. насам – Python & Deep Walk
Четвъртата част от тази поредица. Днес практическото внедряване на DeepWalk 🐍 и поглед към набора от данни за големи страници във Facebook 👍
Присъединете се към Medium с моята препоръчана връзка - Стефано Босисио Като член на Medium, част от вашия членски внос отива на писатели, които четете, и получавате пълен достъп до всяка история… medium.com..
Архитектура и обучение на конволюционни невронни мрежи (7 точки):
Тази публикация предоставя подробности за архитектурата на Конволюционната невронна мрежа (CNN), функциите и обучението на всеки слой, завършвайки с резюме на обучението на CNN.
Основната CNN архитектура се състои от: Input-›(Conv+ReLU)-›Pool-›(Conv+ReLU)-›Pool-› Flatten-›Fully Connected-›Softmax-›Output Извличането на функции се извършва в слоевете Convolutional layer+ReLU и Pooling, а класификацията се извършва в слоевете Fully Connected и Softmax.
3. Първи..
Илюстрация (GIF) за обяснение на дълбоки конволюционни мрежи (DCNN)
В света на компютърното зрение най-основният и често срещан алгоритъм за разпознаване на изображения е конволюционната мрежа. С популярността на рамки като tensorflow и pytorch, стана по-лесно да се използват конволюционни мрежи и вместо да имплементираме назад, можем просто да се съсредоточим върху напред.
Тази статия предполага, че всички сме запознати с конволюционните мрежи, така че няма да навлизаме в много подробности тук.
Вместо това просто ще използвам няколко GIF-а, за да освежа..
Докъде стигнахме с безжичните сензорни мрежи част 1 (Машинно обучение)
Съвместно събиране на данни и позициониране на сензори в безжична сензорна мрежа, подпомагана от множество UAV (arXiv)
Автор: Mingyue Zhu , Zhiqing Wei , Chen Qiu , Wangjun Jiang , Huici Wu , Zhiying Feng
Резюме: Благодарение на високата мобилност и лесното разгръщане, безпилотните летателни апарати (UAV) привлякоха много внимание в областта на безжичната комуникация и позициониране. За да се отговори на предизвикателствата на липсата на покритие на инфраструктурата, несигурната..
Работа с Hebbian Learning част 2 (машинно обучение)
Моделиране и контрактивност на невронно-синаптичните мрежи с Hebbian Learning (arXiv)
Автор: Вероника Ченторино , Франческо Було , Джовани Русо
Резюме: Този документ се занимава с моделирането и анализа на два от най-често използваните повтарящи се модели на невронни мрежи (т.е. невронна мрежа на Хопфийлд и невронна мрежа със скорост на задействане) с динамични повтарящи се връзки, подложени на правила за обучение на Hebbian . За да уловим синаптичната рядкост на невронните..
Машини за факторизиране — Снимки + код (PyTorch)
TLDR: Проблем: Има набор от данни за потребители, филми и оценки. Използвайте машини за факторизиране, за да дадете препоръки за филми. Набор от данни: ml-1m.zip от https://grouplens.org/datasets/movielens/ Код: “03_factorization_machines.ipynb” https://github.com/Datadote/matrix-factorization-pytorch Препратки: 1) Публикация на машина за факторизиране 2) Оригинален документ за разлагане на множители от Рендъл 3) Средна публикация за разлагане на матрици
Стъпки: 1)..
Работа с концепцията за Mean-shift в Data Mining част 8
По-бързо средно изместване: GPU-ускорено клъстериране за базирано на косинус вграждане сегментиране на клетки и проследяване (arXiv)
Автор : Mengyang Zhao , Aadarsh Jha , Quan Liu , Bryan A. Millis , Anita Mahadevan-Jansen , Le Lu , Bennett A. Landman , Matthew J. Tyskac , „Юанкай Хуо“
Резюме: Напоследък алгоритмите за дълбоко обучение, базирани на едноетапно вграждане, привличат все по-голямо внимание при сегментирането и проследяването на клетките. В сравнение с..
Нови материали
Създайте разширение за Chrome с помощта на Angular
Този урок е базиран на манифеста на разширението на chrome версия 3 (MV3), а също и на Angular версия 2+ (2, 3 и...). Ако не сте използвали манифест версия 3, можете да следвате този урок ,..
За да научите нов език за програмиране, започнете отначало
Първоначално публикувано на http://www.mberlove.com/blog/a-new-programming-language-starting-over/
Програмистите се гордеят със способността си да усвояват лесно нови умения , разчитайки..
5 Youtubers на Data Science, които трябва да следвате
Защото всички можем да се справим с малко продуктивно отлагане
Всички сме падали в заешката дупка на Youtube, така че защо да не я направим продуктивна?! Като непрекъснато нарастващ източник..
Бих казал, че точно това е проблемът с Twitter — това е инструмент на суперпотребител.
Бих казал, че точно това е проблемът с Twitter — това е инструмент на суперпотребител. По същия начин, по който суперкодерът сочи vim като единствения начин за кодиране, но останалите от нас..
Основи на Gradio
Gradio е най-ефективният метод за демонстриране на вашия модел на машинно обучение и разполага с удобен за потребителя онлайн интерфейс, който го прави достъпен от всяко място.
Какво прави..
Илюстрация (GIF) за обяснение на дълбоки конволюционни мрежи (DCNN)
В света на компютърното зрение най-основният и често срещан алгоритъм за разпознаване на изображения е конволюционната мрежа. С популярността на рамки като tensorflow и pytorch, стана по-лесно да..
Python Bootcamp — Data Science Day 165
Python Bootcamp от Giles McMullen-Klein беше абсолютно невероятно. Джайлс има този уникален начин да улови аудиторията си, като същевременно прави съдържанието на курса много интересно...