Публикации по теме 'neural-networks'
Искусственные нейронные сети: как их понять и почему они важны
Если вы хоть немного окунетесь в область искусственного интеллекта, вы столкнетесь с искусственными нейронными сетями.
Искусственные нейронные сети — это системы, обеспечивающие работу искусственного интеллекта. Это тип компьютера, который не просто читает код, который он уже понимает. Нейронные сети обрабатывают огромные объемы информации, чтобы помочь понять, что уже находится прямо перед вами.
Люди думают, что ключом к пониманию нейронных сетей является исчисление, но эта система..
Почему и как Youtube использует нейронные сети для рекомендаций
Этот пост представляет собой краткий обзор этой статьи от сотрудников Google Пола Ковингтона, Джея Адамса и Эмре Саргина.
Нейронные сети, машинное обучение, ИИ, глубокое обучение. Это одни из наиболее часто используемых модных словечек в технологическом и деловом духе прямо сейчас, и на то есть веские причины. Необработанный объем данных, которые люди производят каждый год, стремительно растет, поскольку компьютеры охватывают все больше и больше людей и интегрируются со все большим..
Глубокое обучение: искусственные нейронные сети
Нейронные сети, пожалуй, один из самых сложных алгоритмов машинного обучения. Они моделируются аналогично человеческому мозгу. Чтобы понять это, человеческий мозг состоит из элементов, которые преобразовывают различные внешние сигналы в конечные результаты. Сигналы подаются в процессор датчика, который определяет пороговое значение и вес для каждого сигнала и в конечном итоге объединяет наиболее важные входные данные в один окончательный приемлемый выходной сигнал.
Нейронные сети можно..
Реализация сверточной нейронной сети
Добро пожаловать в NeeshAi !
В одном из последних туториалов мы говорили о том, что такое сверточная нейронная сеть (CNN) и как она работает. Теперь мы применим полученные знания и построим модель идентификации изображения, звучит захватывающе ☺. Давайте углубимся в это.
Проблема идентификации изображения:
"Что это за изображение?" Вы задаете этот вопрос другу, и он тут же отвечает, но в прошлом казалось, что это недоступно компьютерам. До тех пор, пока несколько лет назад..
Регуляризация с точки зрения градиента [ручное обратное распространение в Tensorflow]
Как влияет регуляризация на градиент?
Регуляризация похожа на кота, показанного выше, когда некоторые веса хотят быть «большими» по величине, мы наказываем их. И сегодня я хотел посмотреть, какие изменения вносит термин регуляризация в градиент. Ниже приведен список различных условий регуляризации, которые мы собираемся сравнить. (θ - вес каждого слоя.).
Я. Базовая линия (без регуляризации) A. θ² (гребенчатая регрессия) B. abs (θ) + sqrt (abs (θ) ²) ( Эластичная сеть )..
Примечания к SqueezeNet
Документ SqueezeNet предоставляет интеллектуальную архитектуру, а также количественный анализ. При той же точности, что и AlexNet, SqueezeNet может быть в 3 раза быстрее и в 500 раз меньше.
В следующей таблице показаны преимущества SqueezeNet.
Основные идеи SqueezeNet:
Использование фильтров 1x1 (точечных) для замены фильтров 3x3, так как прежние только 1/9 вычислений. Использование фильтров 1x1 в качестве слоя узкого места для уменьшения глубины и сокращения вычислений следующих..
Самая простая нейронная сеть.
Любое введение в курс нейронных сетей поможет вам узнать Персептрон наизусть. На этот раз мы реализуем его просто и понятно.
Во-первых, просто знайте, что персептрон — это нейрон в модели, который принимает взвешенные входные данные и производит выходные данные, эти выходные данные могут быть значением с точки зрения результата регрессии или класса для классифицируемого объекта.
Итак, этот персептрон принимает три переменные, каждая со своим весом, значение которого в итоге поступает..
