精华内容
下载资源
问答
  • 关于神经网络的学习

    千次阅读 2015-11-25 20:35:56
    人工神经网络 : 通常简称神经网络,是一种在生物神经网络的启发下建立的数据处理模型。神经网络由大量的人工神经元相互连接进行计算,根据外界信息改变自身结构,主要通过调整神经元之间的权值来对输入数据进行建模,...

    最近接触深度学习,得知神经网络是深度学习的重要算法工具,然后便系统的学习实现了一番,以下便是总结的学习过程

    1 概念及来源

    1.1 相关概念

    人工神经网络 : 通常简称神经网络,是一种在生物神经网络的启发下建立的数据处理模型。神经网络由大量的人工神经元相互连接进行计算,根据外界信息改变自身结构,主要通过调整神经元之间的权值来对输入数据进行建模,最终解决实际问题。神经网络可以看作有向图,在图中节点连接是有方向的,图1-1为单层感知器神经网络


                                                                                                          图1-1

    其中wi为权值 I 为输入,小原点为神经元,y为输入

    1.2 神经网络的特点

    1, 自学习和自适应性
    自适应性是一个系统可以根据环境变化动态调节自身结构进行动态适应,也就是说神经网络可以根据输入新的样本数据自动调整参数,修改权值,改变影射关系

    2, 非线性性
    现实生活中,绝大的部分问题都不是线性问题,神经元处于抑制或激活状态实际上表现为非线性性

    3,鲁棒性

    局部地区的神经元损坏不会对整个神经网络造成灾难性损伤(除极为重要的神经元除外)

    4,并行性

    天然的神经元结构可以使其能够在神经元上进行并行计算,同一层神经元上并行计算结果之后汇合至下一层进行处理

    1.3 神经网络的应用

    1, 模式分类
    将n维特征向量映射至某一标量,非线性的神经网络可以更好的解决分类问题
    2 , 聚类
    首先说一下聚类和分类的区别:
    聚类是没有分类标签,我们需要根据某些样本进行特征对比,将相似的归为一类;而分类是已有正确的分类标签,根据输入测试数据将其所属类别确定
    神经网络可以很好的根据输入属性进行自动把样本点进行聚类分析
    3, 优化计算
    优化计算是在已知约束条件下,找到使目标函数最小化的参数组合
    4,数据压缩

    1.4 神经网络的分类

    神经网络结构中最重要的就是节点和连接权值,根据网络结构的不同可分为向前网络和反馈网络,跟据学习方式不同可以分为有监督学习网络和无监督学习网络

    1, 单层感知器

    图1.1 所示即为单层感知器,其只包含一层节点是简单的神经网络模型-----属于前向网络 

    2,线性网络

    与单层感知器网络相似,只是神经元传输函数不同-----属于前向网络

    3,多层感知器

    有多层节点,同时每层不止有一个神经元,是单感知和线性网络的结合  -------属于前向网络

    4,径向基函数网络

    该每层节点的数据流向由函数决定,可以流向单个节点也可以流向多个节点如图 1-2  --前向网络


                                                                                                 图 1-2

    5,Hopfiled网络

    Hopfile 神经网络模型是一种循环网络模型,从输出到输入有反馈连接。Hopfiled网络有离散型和连续型两种-----属于反馈网络

    6, Elman神经网络

    7, BP神经网络(最为重要的一种神经网络)

    是一种按照误差逆传播的算法训练的多层前馈网络

    8,竞争神经网络

    将竞争机制引入神经网络

    9, 随机神经网络

    以随机方式进行工作,节点的兴奋或抑制以随机方式进行

    读者不要着急,结下来将会对每种神经网络进行原理性介绍。

     

    2  网络模型原理


    展开全文
  • 关于神经网络

    2011-05-13 02:07:00
    人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程;它先将信息化成概念,并用符号表示,然后,... 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系

    人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程;它先将信息化成概念,并用符号表示,然后,根据符号运算按串行模式进行逻辑推理;这一过程可以写成串行的指令,让计算机执行。然而,直观性的思维是将分布式存储的信息综合起来,结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统,其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单,功能有限,但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

    展开全文
  • 1. 本次给大家带来的是关于一个深度学习的开源框架(Deeplearning4j),Deeplearning4j是一种特定于域的语言,用于配置由多个层组成的深层神经网络 Java 如果您没有Java 1.7或更高版本,需要自行去JDK官网下载1.7...

    1. 本次给大家带来的是关于一个深度学习的开源框架(Deeplearning4j),Deeplearning4j是一种特定于域的语言,用于配置由多个层组成的深层神经网络

    Java

    如果您没有Java 1.7或更高版本,需要自行去JDK官网下载1.7以上的版本(包含1.7)。要检查是否安装了兼容的Java版本,请使用以下命令:

    java -version

    请确保您安装了64位版本的Java,否则会报错提示 no jnind4j in java.library.path是否决定尝试使用32位版本。确保本地计算机已设置JAVA_HOME环境变量

    Apache Maven

    Maven是Java项目的依赖管理和自动构建工具。它适用于IntelliJ等IDE,可以轻松安装DL4J项目库。按照系统说明将Maven安装到最新版本。要检查是否安装了最新版本的Maven,请使用以下命令:

    mvn -version

    Deeplearning4j

    前面的配置属性检查完成确保无误的情况下,clone example 到本地试运行

    1.访问地址(GitHub):https://github.com/deeplearning4j/dl4j-examples 

    2.clone到本地 或者 下载zip格式到本地 

    3.下载到本地解压如下图

    4. 把解压好的项目导入到eclipse 开发工具里 (File->Import->Existing Maven Projects)

    5. 成功导入项目如下图所示

    注意:这里导入项目pom.xml可能会报错 需要重新加载 (右键项目属性-Maven-Update Project),若还是无法解决问题,需要在报错的pom.xml 加上以下代码,JDK版本引用的为1.8,${JAVA_HOME}为本地所配置的环境变量。然后Maven拉jar包的过程中可能会有点卡顿和反应慢 属于正常现象,请耐心等待所有加载完成,谢谢。

            <dependency>
                <groupId>jdk.tools</groupId>
                <artifactId>jdk.tools</artifactId>
                <version>1.8</version>
                <scope>system</scope>
                <systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
        	</dependency>

    6. 成功运行项目如下:

     

     

    训练结果解释
    Accuracy 准确率:模型准确识别出的MNIST图像数量占总数的百分比。
    Precision 精确率:真正例的数量除以真正例与假正例数之和。
    Recall 召回率:真正例的数量除以真正例与假负例数之和。
    F1 Score F1值:精确率和召回率的加权平均值。

    总结:

            本次给大家带来的是简单的 Eclipse 部署 Deeplearning4j框架,后续更新其他有关Deeplearning4j的相关知识,当然有兴趣的朋友可以给大家推荐一个官方网站进行学习:https://deeplearning4j.org/ ,谢谢大家

    展开全文
  • 以下为译文:人工智能会很快取代放射科医生吗?最近,研究人员训练了一个深度神经网络对乳腺癌进行分类,其准确度达到了85%。当与其他三种神经网络模型结合使用时,最终的集成方法达到了出色的99%的分类准确度,...
    fab1cbd33522243725477eae26f58244.png

    来源:AI科技大本营

    本文约4800字,建议阅读10+分钟捷径学习是当前ML模型与人类智能之间最具标志性的差异。

    0c69d4776fc80e3ddc7acb6685dbfc1f.png

    以下为译文:

    人工智能会很快取代放射科医生吗?最近,研究人员训练了一个深度神经网络对乳腺癌进行分类,其准确度达到了85%。当与其他三种神经网络模型结合使用时,最终的集成方法达到了出色的99%的分类准确度,可以与经过多年训练的放射专家相媲美。

    上述关于乳腺癌的分类结果是正确的,但有一点小问题:研究人员没有使用最先进的人工深度神经网络,而是训练“自然”神经网络——更准确地说,是用四只鸽子来诊断乳腺癌。

    2018年,加利福尼亚大学的研究员发现鸽子对乳腺组织的显微图像很敏感,还能够准确通过乳腺X光片鉴别良性、恶性乳腺癌肿瘤,经过15天的训练之后,鸽子们对乳腺癌病理切片和医学影像的判断正确率就提升到了85%左右。

    然而,鸽子从未被视为医学成像的未来,大公司也没有砸钱建大规模养鸽场:与我们对深度神经网络(DNNs)的期望相比,我们对鸽子并没抱太大期望。

    43945f0e358d0ba48dd7e352f28689c6.png

    在许多方面,DNN确实没有辜负宣传和人们的希望:它们在整个社会,行业和科学领域的成功都是不可否认的,而且新的突破仍然会在几个月(甚至几周)的时间就能实现。但是,看似脱节的失效案例仍在不断发生着:DNN在识别物体方面达到了超人的性能,但是即使很小的看不见的变化或不同的背景和环境也可能使预测完全偏离。DNN可以为图像生成合理的标题,但是,令人担忧的是,DNN可以在不真正查看该图像的情况下这样做。DNN可以准确识别人脸,但对少数群体的人脸识别错误率却非常高。DNN可以根据简历预测聘用决策,但是算法在选择的过程中却会出现偏见。

    如何调和DNN超出人类的表现,同时却可能会犯下荒谬错误之间的偏差呢?我们认为,许多失败案例不是个例,而是和DNN会无意识地遵循“捷径”策略有关。虽然表面上是成功的,但稍微发生些许偏差,这些策略通常会以失败告终。

    “捷径”是指在标准基准上表现良好,但在更具挑战性的测试条件上表现差的决策规则。“捷径”出现的情况多种多样,在数据集和应用程序领域中无处不在。比如:

    c20352f8e108cb96f92766c0ac33ef04.png

    从原则上讲,捷径学习并不是一种新现象,它有很多不同的术语名称,例如“协变移位学习 ”、“反因果学习”、“数据集偏差”、“坦克传奇 ”和“聪明汉斯效果”等。 我们在这里讨论捷径学习如何结合深度学习的问题,以及我们可以做些什么来更好地理解和使用捷径学习。

    一、什么是捷径?

    在机器学习中,模型能够学习的解决方案受数据、模型体系结构、优化器和目标函数的约束。然而,这些约束往往会允许不止一个解决方案,通常有很多不同的方法来解决同一个问题。捷径是在典型测试集上表现良好,但在不同情况下失败的解决方案,暴露出与我们的意图不符的现象。

    af9bd78b315f32204c989a87d7bdcaa8.png

    举一个例子,当在简单的星月数据集上训练时(顶行),标准的神经网络(三层,完全连接)可以轻松地对新的类似样本(数学上称为i.i.d.测试集)进行分类。但是,在稍有不同的数据集(o.o.d.测试集,最下面一行)上对其进行测试揭示了一种捷径策略:网络已学会将对象位置与类别相关联。在训练过程中,星星总是显示在图片的右上角或左下角;月亮则显示在左上角或右下角。这种模式仍然存在于来自i.i.d.测试集(中间一行)的样本中,但在o.o.d.测试图像(下排)中不存在,从而暴露了捷径现象。这里最重要的一点是,在训练设置约束下,位置和形状都是有效的解决方案,因此,没有理由期望神经网络更喜欢其中一个。然而,人类具有使用物体形状的强烈直觉。就像这个例子看起来那样,对抗性例子,偏向机器学习模型,缺乏领域通用性和输入略有变化引起的失效等都可以理解为捷径学习现象的实例。

    57f7452fce87329a91f585ba4267eac8.png

    例如,研究人员开发了一种机器分类器,能够从多家医院的X光扫描中成功检测出肺炎,但是对于来自新医院的扫描,它的性能却出人意料地低:该模型意外地学会了以近乎完美的精确度识别特定的医院系统(例如,通过在扫描中检测到医院特定的金属标记,请参见左图)。加上医院的肺炎患病率,它在训练过程中就可以达到相当好的预测,而根本无需了解太多肺炎的知识。分类器没有学习如何“理解”肺炎,而是选择了最简单的解决方案,仅查看标记类型。

    二、深度学习之外的捷径学习

    通常,这样的失败案例可以被视为机器学习算法不可信任的原因。然而,生物学学习者也遇到非常相似的失败模式。在牛津大学实验室的一项实验中,研究人员观察到,老鼠可以仅根据细微的色差学习到穿越复杂迷宫的方法,这非常令人惊讶,因为老鼠的视网膜仅具有基本的视觉能力,视力非常差。深入研究这个奇怪的现象,我们会发现原来老鼠欺骗了研究人员:他们在实验中根本没有使用视觉系统,而是仅仅通过迷宫壁上使用的彩色涂料的气味来区分颜色。一旦控制了气味,老鼠们卓越的颜色辨别能力就消失了。

    动物通常以一种意想不到的方式解决一个实验范式(即数据集),而未使用人们真正感兴趣的能力,从而迷惑实验者。对人类来说,这凸显了想用比人类现有方式更复杂的方式来解决一项艰巨的挑战是多么的困难。当然,在Marr的实验实现层面,老鼠和人的颜色辨别能力可能存在差异。但是在算法级别上,通常会默认一个假设,即类人的表现意味着类人的策略(或算法)。这种“相同的策略假设”同样存在于深度学习:即使DNN单元与生物神经元不同,但如果DNN成功识别出物体,那么似乎可以很自然地认为它们是像人类一样使用通过物体的形状来识别物体。因此,我们需要区分实验对象在一个数据集的性能表现与获取能力之间的联系,在将“物体识别”或“语言理解”等高级能力赋予机器之前,我们要非常谨慎,因为通常有一个更简单的解释:

    可以归因于捷径学习时,切勿使用高级能力进行解释。

    三、捷径学习需要我们改变基准测量的方式

    从历史上看,机器学习研究主要由基准驱动,基准测试通过在任务和数据集的固定组合上对算法进行评估,使算法具有可比性。这种模式在很短的时间内就引领了该领域的巨大进步。但这并非没有缺点。一方面,它为研究人员提供了强大的动力,使其可以将精力更多地集中在改进现有基准的新颖算法的开发上,而不是了解他们的算法或基准。然而,这种对理解的忽视,恰恰让是让捷径学习成为深度学习中普遍存在问题的部分原因。

    让我们看一个著名的例子:ImageNet 数据集和挑战赛创建于2009年,作为一种新的衡量对象识别进度、算法识别和分类对象能力的方法。由于ImageNet规模巨大,它本身是一个未解决的问题,没人胆敢挑战。它的多样性和规模为当前的深度学习革命铺平了道路。Krizhevsky等人2012年的论文和挑战赛的耀眼成绩证明了具有学习权重的深层神经网络可以用独特的方式处理这种复杂性(而不是当时普遍的手工调整图像分析方法)。在接下来的几年中,ImageNet成为ImageNet基准测试进步和性能提升的推动力,成为计算机视觉进步的代名词。

    直到最近几年,随着越来越多的DNN失效案例的出现,这种情况才开始慢慢改变。所有这些失效案例背后的一个主要原因是,尽管ImageNet具有规模和多样性,但它并不需要真正的对象识别,从某种意义上说,模型必须正确地识别和分类我们用作标签的前景对象。相反,在许多情况下,对象的背景、纹理或其他对人类不太明显的捷径可以很好地被识别。如果比场景中的主要对象更容易识别背景,网络通常会学习利用这一点进行分类。

    这种行为所引起的后果,是神经网络泛化能力的失败。下图左侧是人们期望模型进行泛化的几个方向。不管是手绘的黑白的还是彩色的门牌号,5都是5。同样,在姿态、纹理或背景上的轻微变形或变化也不会影响我们对图像中主要对象的预测。相比之下,DNN很容易被欺骗。有趣的是,这并不意味着DNN完全不能泛化:事实上,在对人类几乎没有意义的方向上,它们还是可以很好地泛化。下图的右侧显示了一些例子,从一些可理解的(置乱图像以仅保留其纹理)到完全不可理解。

    6e28c8b0caef158ed1b95a32b6b379d0.png

    导致捷径学习和随后的泛化失效的关键问题是我们对任务的理解与它实际上激发学习的模型之间的差异。我们如何减轻这个问题并提供对捷径学习的洞察力?当前大多数基准测试的主要缺点是,它们会测试训练集中相同数据分布的图像(iid测试)。这种类型的评估仅需要一种较弱的泛化形式。但是,我们需要强大的归纳能力,这些能力大致与我们的直觉相吻合。为了测试这些,我们需要良好的分布外测试(ood测试),这些测试应具有明显的分布变化,明确定义的预期解决方案,并提供模型学习捷径的节点。

    但还不止于此:当模型变得越来越好时,它们会学习利用微妙的捷径,因此我们预测,基准测试也会越来越强。这种“滚动基准”可以确保我们在模型开发过程中不会失去对最初目标的跟踪,而会不断地将精力重新集中在解决我们真正关心的潜在问题上,同时加深我们对建模管道与模型之间相互作用的理解。

    四、跨过捷径实现理解,该怎么做?

    科学的目标就是理解。尽管深度学习作为一门工程学科在过去几年中取得了长足的进步,但深度理解作为一门科学学科,在理解控制机器学习如何从数据中提取模式的原理和局限性方面仍非常落后。更加深入地理解捷径学习不仅关乎当前机器学习的应用,未来还可能有助于跨学科研究,如与经济学(通过奖励意外的“捷径”行为来设计不会危及长期成功的管理激励措施)、法律(创建没有“漏洞”捷径机会的法律)交叉融合的机会。但是,必须指出,我们可能永远不会完全解决捷径学习。模型始终以减少的信息为基础来做出决策,因此泛化失败不可避免:受捷径学习影响而失败将会是常态,而不是意外。为了深入理解捷径学习,或减轻它的影响,我们有五个建议:

    1. 连接点:捷径学习无处不在

    捷径学习似乎是生物学和人工学习系统的普遍特征。深度学习中的许多问题都与捷径学习有关——模型利用数据集捷径机会,仅选择一些预测特征而不是仔细考虑所有可用证据,因此因各种原因失败。受影响区域之间的“连接点”很可能会促进发展,并且在各个应用场景中产生极有价值的影响。

    2. 认真解读结果

    发现捷径通常意味着,一个看似复杂的数据集可以用简单的方案解决。我们认为,在将诸如“对象识别”或“语言理解”之类的高级功能归因于机器之前,我们需要格外小心,因为通常会有更简单的解释。

    3. 测试分布外的泛化表现

    评估iid测试数据的模型性能(就像当前大多数基准测试一样)不足以区分预期的和意外的(捷径)解决方案。因此,分布外的测试是必须要做的。

    4. 了解是什么让解决方案易于学习

    DNN总是学习最简单的问题解决方案,但是要了解哪种解决方案更简单(从而容易学习),则需要弄清结构(体系结构)、经验(训练数据)、目标(损失函数)和学习(优化)的影响,以及对这些因素之间相互作用的透彻理解。

    5. 首先弄清楚是否真的要解决这个问题

    捷径的存在意味着,无论任务是否得到充分证实,DNN都会找到解决方案。例如,系统可能试图根据敏感的人口统计学(例如肤色或种族)或仅根据外表,用捷径来评估信用分数。这很令人担忧,因为当将机器学习用于不明确或有害的任务时,可能会强化错误的假设和有问题的关联。捷径方式可以使此类可疑任务看起来完美可解决。但是,DNN具有高性能处理任务或基准的能力永远无法证明任务的存在或潜在假设。因此,在评估一项任务是否可以解决时,我们首先需要问:是否真的要解决这个问题?如果答案是yes,、应该用AI来解决吗?

    捷径学习是当前ML模型与人类智能之间最具标志性的差异。但具有讽刺意味的是,正是这种对“作弊”的偏爱,使神经网络看起来几乎和人类又相像了几分:谁还没有过在考试前偷懒背材料,而不是花时间去真正理解的经历?谁从来没有试图在一项法规中寻找漏洞,而不是坚持法律的精神?最后,神经网络也许和(懒惰的)人类并没有什么不同……

    本观点基于以下论文:

    Geirhos,R.,Jacobsen,JH,Michaelis,C.,Zemel,R.,Brendel,W.,Bethge,M.&Wichmann,FA(2020)。深度神经网络中的快捷学习。arXiv预印本arXiv:2004.07780。

    作者简介:

    Dr.Jörn-HenrikJacobsen,图宾根大学博士后,在阿姆斯特丹大学获得博士学位,研究广泛涉猎学习有用的含义和世界的通用表示形式,特别关注分布外的概括,无监督表示学习,稳定性保证和算法偏差。

    Robert Geirhos,德国马克斯·普朗克国际智能系统研究学院的博士,获得蒂宾根大学计算机科学专业硕士学位,专注于人类和计算机视觉研究。

    Claudio Michaelis,国际马克斯·普朗克智能系统研究学院博士,获康斯坦茨大学硕士学位,兴趣领域为理解人工神经网络。

    原文链接:

    https://thegradient.pub/shortcuts-neural-networks-love-to-cheat/

    编辑:晏斓辉

    ——END——

    想要获得更多数据科学领域相关动态,诚邀关注清华-青岛数据科学研究院官方微信公众平台“ 数据派THU ”。欢迎大家评论区讨论和留言~

    展开全文
  • 以下为译文:人工智能会很快取代放射科...上述关于乳腺癌的分类结果是正确的,但有一点小问题:研究人员没有使用最先进的人工深度神经网络,而是训练“自然”神经网络——更准确地说,是用四只鸽子来诊断乳腺癌。20...
  • 神经网络学习工具

    2021-03-25 17:36:59
    神经网络学习工具 目前就职于人工智能企业,日常工作内容集中在模型在不同平台的适配、模型转换、量化等方面,虽然与模型相关,但是对于模型结构、原理的研究不够深入,希望能够在闲暇时间积累一些关于模型结构和...
  • 人工智能方面: 人工智能知识图谱 人工智能知识体系及各种应用 ...人工智能 神经网络 机器学习的关系以及应用 以下方面都在b站收藏夹 大数据云计算方面: VR方面: 图形图像处理方面: 3D打印机,区块链: ...
  • 以下为对神经网络与深度学习这本书的学习笔记 对于人工智能: John McCarthy提出了人工智能的定义:“人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。”人工智能是计算机科学的一个分支,主要...
  • 从生物学的扎实的研究成果中,我们可以得到以下关于构成大脑的神经元的知识。 (i) 神经元形成网络。 (ii) 对于从其他多个神经元传递过来的信号,如果它们的和不超过 某个固定大小的值(阈值...
  • 神经网络matlab的使用

    千次阅读 2015-04-28 21:55:12
    来自人工智能贴吧,利_刃。仅供收藏。 关于Matlab的入门教程,参看这个帖子:...我们利用这组数据来训练神经网络。(在Matlab中输入以下的代码,按回车即可执行) p = [2 5; 3 6; 12 2; 1 6; 9 2; 8 12; 4 7; 7
  • “将心理相似性空间推广到看不见的刺激-将多维缩放与人工神经网络结合起来”。 在Lucas Bechberger,Kai-UweKühnberger和Mingya Liu:“行动中的概念:表示,学习和应用”语言,认知和思维。 Springer(即将) ...
  • Python中的Numpy的基本知识 ... All rights reserved. 适用于License版权许可 ...以下列出一些关于Numpy矩阵运算的基本知识和坑点。 首先需要在命令行中安装Numpy库和绘图库(可选): pip install numpy pip ins...
  • 以下为译文:人工智能会很快取代放射科...上述关于乳腺癌的分类结果是正确的,但有一点小问题:研究人员没有使用最先进的人工深度神经网络,而是训练“自然”神经网络——更准确地说,是用四只鸽子来诊断乳腺癌。20...
  • 一、对于unet神经网络上采样中的的三种方式的理解 1.上采样的三种方式 在网上查阅大量资料后,以下是结合unet,对于上采样的三种方式的理解,上采样的三种方式,可以分为1、插值法(最近零插值算法,双线性插值算法...
  • 为了帮助各位学术青年更好地学习前沿研究成果和技术,AI科技评论联合Paper 研习社(paper.yanxishe.com),重磅推出【今日 Paper】栏目, 每天都为你精选关于人工智能的前沿学术论文供你学习参考。以下是今日的精选...
  • 导读我根据大家的需要整理了一份关于人工智能改变生活的相关论文的内容具体内容人工智能话题在经历多年沉寂之后最近重新引起热议基于"神经网络"构架的软件在机器学习能力方面的进展让人耳目一新的同时也让不少人焦虑...
  • 为了帮助各位学术青年更好地学习前沿研究成果和技术,AI科技评论联合Paper 研习社(paper.yanxishe.com),推出【今日 Paper】栏目,... Facebook:通过将数学表达式重组为一种语言,用神经网络符号推理求解复杂数学...
  • :telescope: 我目前正在致力于使人工神经网络的开发现代化 :T-Rex: 当时开发了一些物联网项目 :seedling: 已经在多个JS框架中完成了项目,目前正在学习Angular 人工智能和机器学习是我的专长,无论是学位还是...
  • 关于深度学习的思考

    2018-08-17 11:43:40
    周志华教授从深度学习的理论基础说起,从模型复杂度的角度探讨了“深度神经网络为什么深”的问题,提出深度学习在有很多成功应用的同时,也存在调参困难、可重复性差等问题,在很多任务上并不是最好的选择。...
  • BP算法

    2021-04-26 19:29:28
    2.到了80年代,美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文,这也是神经网络最原始的框架,一直到了现在有了完整的神经网络体系。 什么是BP算法 误差逆传播算法...
  • 用 Python 实现一组手写数字识别环境配置Python 及 TensorFlow 环境配置OpenCV 环境配置Keras 人工神经网络库的安装其他环境的配置图像处理图像预处理对目标进行检测和分割目标识别训练神经网络目标识别总结关于源...
  • LSTM_TEST:了解LSTM-源码

    2021-03-27 19:21:46
    让我们使用Google简洁的深度学习库TensorFlow,演示LSTM的用法,LSTM是一种可以处理顺序数据/时间序列的人工神经网络。 视频数据集概述 点击此链接可观看其中一位参与者在实验中记录的6项活动的视频: 有关输入...
  • 在该项目中,学生构建并训练了卷积神经网络(CNN)分类器,该分类器可识别照片中是否存在特定的动物。 该学生构建并清理了包含数百张照片的数据集,并使用Keras构建了CNN分类器。 在使用测试数据评估其模型的性能...
  • 让我们使用Google简洁的深度学习库TensorFlow演示LSTM的用法,LSTM是一种可以处理顺序数据/时间序列的人工神经网络。 视频数据集概述 点击此链接可观看其中一位参与者在实验中记录的6个活动的视频: 有关输入数据...
  • 基于时空注意力的神经网络,用于信用卡欺诈检测(AAAI 2020) 程大为,项祥,尚晨成,张艺仪,杨芳州,张立清 FlowScope:基于图形发现洗钱(AAAI 2020) 李向峰,刘生华,李自峰,韩晓田,石川,布赖恩·霍伊,...
  • 前面几章基本介绍了全连接神经网络和卷积神经网络的原理已经开发过程,本章开始将写一些自然语言处理相关的知识。当然,自然处理领域的知识点比图像处理的要复杂、抽象,可能要花更多时间来研究。 首先,我们来了解...
  • :infinity: 数学的这一分支对于理解神经网络的机制至关重要,而神经网络是当今NLP方法论的规范。 资源资源 困难 关联 ★★☆☆☆ ★★★★☆ ★★★☆☆ ★★★☆☆ ★☆☆☆☆ ★☆☆☆☆ ★...
  • 2017年是图灵奖(A.M. Turing Award)设立50周年。 其中,ACM图灵奖五十年中国大会(ACM TURC 2017)在中国上海举办,在会议上,创新工场CEO...深度学习基于多层神经网络的机器学习模型。表面看,深度学习和生物大...
  • 2020-08-18

    2020-08-18 14:14:39
    近期打算做一个翻译的专题,主题是深度学习,当然我更想找一些卷积神经网络相关的内容。我希望能够尽可能翻译的通俗易懂,减少专业词汇,努力的去找作者所表达的意思,以期能够有所发现。 深度学习教程 深度学习...
  • 深度学习笔记之《解析卷积神经网络》附下载地址 Kaggle竞赛神器—Facets:快速评估数据集质量,把控数据分析核心环节 这两年:我的数据竞赛之路 ApacheCN 活动汇总 2019.8.16 ApacheCN 公众号文章汇总 2019.8 2019...

空空如也

空空如也

1 2
收藏数 37
精华内容 14
关键字:

以下关于人工神经网络