Публикации по теме 'neural-networks'


Лекция IISc: Исследование глубокого обучения - репрезентативное обучение
В своей часовой лекции, посвященной передовым исследованиям в области глубокого обучения (DL), Профессор Саргур Нарасимхамурти Шрихари затронул различные темы, включая значение репрезентации, методы репрезентативного обучения, трансферное обучение, распутывание переменных и объяснимый искусственный интеллект. (AI) . Профессор Шрихари - заслуженный профессор SUNY факультета компьютерных наук и инженерии Университета Буффало. Новаторский исследователь, его исследовательские усилия..
Создание собственного набора данных компьютерного зрения из изображений Google (максимально просто)
Создание набора данных из Интернета с нуля очень утомляет. Сценарии, зашумленные данные и длительная предварительная обработка являются нормой. Вот почему вместе с Джереми Ховардом мы создали блокнот google_images_dataset , который позволяет легко загружать изображения из Google, не нарушая Условия использования. В записной книжке есть пошаговые инструкции и код, чтобы легко загрузить изображения для каждой категории, а затем обучить модель с помощью библиотеки fast.ai. Это полезно, но..
Нежное введение в сеть GAN и ее функцию потерь!
Самая интересная идея за последние 10 лет в области машинного обучения - Ян Лекун Прежде чем углубляться в подробности, давайте кратко рассмотрим работу GAN. Генеративные состязательные сети - это архитектуры глубоких нейронных сетей, состоящие из двух нейронных сетей, конкурирующих друг с другом, отсюда и название «состязательная». Сети могут быть CNN, DNN или простыми ванильными сетями. Нейронные сети обучаются состязательной манере генерировать данные для имитации некоторого..
Часть 2: Выбор правильной инициализации веса для вашей глубокой нейронной сети.
Прочтите часть 1 здесь . Тестирование различных техник инициализации веса Современные библиотеки глубокого обучения, такие как Keras, PyTorch и т. Д., Предлагают множество методов инициализации сети, которые, по сути, инициализируют веса небольшими случайными числами. Мы сделаем обзор различных методов и покажем вам, как эти разные методы влияют на производительность модели. Напоминание №1: не инициализируйте свою сеть нулями. Напоминание № 2: разветвление относится к количеству..
Обучение занимает слишком много времени? Используйте экспоненциально взвешенные средние!
Глубокое обучение Обучение занимает слишком много времени? Используйте экспоненциально взвешенные средние! Используйте эту оптимизацию, чтобы ускорить тренировки! Застряли за платным доступом? Нажмите здесь , чтобы прочитать всю историю по ссылке моего друга! Все мы, инженеры машинного обучения или специалисты по данным, любим Данные . Когда мы слышим, что получаем больше данных для использования, это звучит как рай, но Не все так, как кажется. «В чем здесь..
Прогрессивные нейронные сети: объяснение и реализация
Научитесь создавать прогрессивные нейронные сети с помощью PyTorch и библиотеки Doric. Оглавление • Introduction & Background ∘ Transfer Learning ∘ Progressive Neural Networks • Doric • Simple Example • Complex Example ∘ Autoencoders & VAEs ∘ Experimental Design ∘ Results ∘ Analysis • Conclusion • Acknowledgments • Links & References Введение и история вопроса Изучение чего-то нового требует, чтобы вы опирались на то,..
Сегментация портретов в реальном времени на смартфонах
В последние годы все больше внимания уделяется различным эффектам изображения. Популярный пример - боке, размытие в нефокусной области фотографии. Этот эффект достигается за счет использования светосильного объектива камеры с широкой диафрагмой. К сожалению, воспроизвести подобный эффект с помощью камер мобильных телефонов практически невозможно, поскольку они не соответствуют необходимым техническим характеристикам. Однако, если каждый пиксель изображения разделен на категории..