BP图模型算法

Submitted by pengkun on Tue, 07/25/2017 - 09:28
深度学习的应用已经很广泛了,例如微信的语音转文字功能、垃圾邮件的筛选、人脸识别功能、智能客服、智能玩具、百度的语音搜索、图像搜索、无人车技术、AlphaGo,为什么深度学习突然火起来了?我想原因可能是两方面:第一是得益于计算机运算性能的快速发展,深度学习需要耗费大量的运算资源,尤其是基于GPU的矩阵运算;第二是得益于大数据的发展,目前深度学习的商业应用主要还是基于有监督学习,有监督学习需要大量的数据样本。

卷积?神经?网络?教你从读懂词语开始了解计算机视觉识别最火模型 | CNN入门手册(上)

Submitted by zhongzhimin on Mon, 07/24/2017 - 17:05
卷积神经网络听起来像一个奇怪组合。这个名字涉及了生物学、数学,还有一点计算机科学乱入,但它却是计算机视觉领域最具影响的创新。在2012年,由于Alex Krizhevsky使用神经网络赢得了ImageNet挑战赛的冠军(这个比赛可被看作计算机视觉领域的奥运会),神经网络第一次崭露头角。神经网络把分类误差从26%降低到15%,这在当时是一个令人震惊的进步。 从那以后,大量公司在他们的核心业务中使用深度学习。Facebook把神经网络用在自动标签算法上,google把它用于相片搜索,亚马逊把它用于产品推荐,Pinterest把它用于房屋列表个性化,Instagram把它用于搜索框架。 然而,神经网络经典且最常用的使用案例仍是图像处理。就让我们一起来看看,CNN(卷积神经网络)是如何在图像处理任务中实现图像分类的。

Ian Goodfellow:深度学习的8个未来方向

Submitted by wukezhou on Mon, 07/24/2017 - 15:09

深度学习的下一步是什么?

  最近,这个问题在美国问答网站Quora上发出没几天,就收到了Ian Goodfellow的回答。

  Goodfellow是Google Brain研究员,Deep Learning教科书的第一作者,还曾经在OpenAI工作过一段时间。他最广为人知的成就,是提出了生成对抗网络(GAN)。

  以下是他回答的主要内容:

  深度学习未来的发展方向很广,以下是其中一些方向:

  • 更优秀的强化学习,以及深度学习和强化学习之间的整合。能更可靠地学会如何控制机器人的强化学习算法等。

  • 更优秀的生成模型。这些算法能可靠的学习如何生成图像、语音和文字,人类将无法分辨算法生成的内容和真实的内容。

  • 学会学习,以及无所不在的深度学习。例如,算法将可以重新设计自身架构,自主调整超参数。目前,学习算法仍需要人类专家去运行,但未来这些算法的部署将会更简单。没有专门AI人才的机构也可以利用深度学习技术。

Java、PHP、Python、JS等开发者都如何绘制统计图

Submitted by gaoshuang on Mon, 07/24/2017 - 13:14
用 PHP 制作过统计图的人都应该知道,JqGraph 与 PHP 的黄金搭档,用 JqGraph 我们能够完成很多图的制作,比如散点图、柱状图、折线图、股票走势图、饼状图等等,并且目前该库已经支持 PHP7 了,所以我们可以放心使用。

一文弄懂ResNet有多大威力?最近又有了哪些变体?

Submitted by pengkun on Mon, 07/24/2017 - 09:36
自从AlexNet在LSVRC2012分类比赛中取得胜利之后,深度残差网络(deep Residual Network)可以说成为过去几年中,在计算机视觉、深度学习社区领域中最具突破性的成果了。ResNet可以实现高达数百,甚至数千个层的训练,且仍能获得超赞的性能。

解读CVPR论文:通过对抗训练从模拟的和无监督的图像中学习

Submitted by wangqingqing on Fri, 07/21/2017 - 15:40
目前,神经网络的大多数成功实例都是由监督训练得来的。但是,如果要想获得较高的准确性,就必须使用庞大、多样且精确标注的训练数据集,但是这类数据集成本很高。 有一种方法,不需要标记大量数据,使用模拟器中的合成图像就可以来训练模型。 由于不需要标记数据,这种方法的成本较低,但是这种方式合成的图像可能会因为不够真实而导致泛化,实际测试图像时不太理想。 为了克服这种方式导致的缺陷,我们制定了一种细化合成图像的方法,用以提高图像的真实度。试验证明,使用细化后的图像进行训练可以大幅提高多种机器学习任务中模型的准确度。

平凡而又神奇的贝叶斯方法

Submitted by zhongzhimin on Fri, 07/21/2017 - 14:58
贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。 贝叶斯定理也称贝叶斯推理,早在18世纪,英国学者贝叶斯(1702~1763)曾提出计算条件概率的公式用来解决如下一类问题:假设H[1],H[2]…,H[n]互斥且构成一个完全事件,已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,H[n]相伴随机出现,且已知条件概率P(A/H[i]),求P(H[i]/A)。

2017年数据科学15个最好用的Python库

Submitted by wukezhou on Fri, 07/21/2017 - 09:53
随着近几年Python已成为数据科学行业中大火的编程语言,我们将根据以往的经验来为大家总结一下数据科学家和工程师几个最实用的python库。如果你是正在学习Python的学生,也许根据这个表单能够帮你更好地找到学习的重心。 因为所有的python库都是开源的,所以我们还列出了每个库的提交次数、贡献者人数和其他一些来自Github可以代表Python库流行度的指标。

A Neural Representation of Sketch Drawings

Submitted by like on Fri, 07/21/2017 - 09:50
We present sketch-rnn, a recurrent neural network (RNN) able to construct stroke-based drawings of common objects. The model is trained on a dataset of human-drawn images representing many different classes. We outline a framework for conditional and unconditional sketch generation, and describe new robust training methods for generating coherent sketch drawings in a vector format.