搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏后台技术底层理解
Nerual NetWorks
Common nerual NetWorks FF Feed forward neural networks 前向神经网络，信息从前向后传播。 CNN Convolutional neural networks 卷积神经网络,他们最初用来做图像处理，后来也用在其他类型的输入数据比如音频。 RNN Recurrent neural networks 周期神经网络是带时间周期的FFNN：他们不是无状态的；他们在时间上有相关性。
54950发布于 2020-08-05
来自专栏计算机视觉理论及其实现
Maxout Networks
我们考虑的问题是如何设计模型来利用最近引入的近似模型平均技术(dropout)。我们定义了一个简单的新模型maxout(之所以这样命名，是因为它的输出是一组输入的最大值，而且它是dropout的一个自然伙伴)，旨在促进dropout优化和提高dropout的快速近似模型平均技术的准确性。我们通过经验验证模型成功地完成了这两个任务。我们使用maxout和dropout来演示在四个基准数据集上的最新分类性能:MNIST、CIFAR-10、CIFAR-100和SVHN。
91610编辑于 2022-09-03
来自专栏深度学习自然语言处理
Highway Networks
导读本文讨论了深层神经网络训练困难的原因以及如何使用Highway Networks去解决深层神经网络训练的困难，并且在pytorch上实现了Highway Networks。一、Highway Networks 与 Deep Networks 的关系深层神经网络相比于浅层神经网络具有更好的效果，在很多方面都已经取得了很好的效果，特别是在图像处理方面已经取得了很大的突破， 2015年由Rupesh Kumar Srivastava等人受到LSTM门机制的启发提出的网络结构（Highway Networks）很好的解决了训练深层神经网络的难题，Highway Networks 四、Highway BiLSTM Networks Highway BiLSTM Networks Structure Diagram 下图是 Highway BiLSTM Networks 结构图： Networks 在这个结构图中，Highway Networks第 n - 1 层的输出作为第n层的输入 ?
1.8K80发布于 2018-04-10
来自专栏机器学习爱好者社区
【连载15】Residual Networks、Maxout Networks和Network in Network
公众号后台回复“python“，立刻领取100本机器学习必备Python电子书 Residual Networks‍ 残差网络在《Deep Residual Learning for Image Recognition 与Highway Networks相比：- HN的transform gate和carry 恒等映射‍ 恒等映射在深度残差网络中究竟扮演什么角色呢？在《Identity Mappings in Deep Residual Networks》中作者做了分析，a为原始block结构，b为新的结构。 ? 原始结构： ? 新结构： ? 模型集成角度看残差网络‍ 《Residual Networks Behave Like Ensembles of Relatively Shallow Networks》中把残差网络做展开，其实会发现以下关系 Maxout Networks‍ Goodfellow等人在《Maxout Networks》一文中提出，这篇论文值得一看。
89210发布于 2020-03-06
来自专栏书山有路勤为径
Convolutional Neural Networks
计算机视觉（Computer Vision）包含很多不同类别的问题，如图片分类、目标检测、图片风格迁移等等。
71710发布于 2018-08-29
来自专栏书山有路勤为径
Build Residual Networks
Residual Networks可以让我们训练更深的网络。 K.set_image_data_format('channels_last') K.set_learning_phase(1) 1 - The problem of very deep neural networks A huge barrier to training them is vanishing gradients: very deep networks often have a gradient signal SVG(model_to_dot(model).create(prog='dot', format='svg')) What you should remember: Very deep "plain" networks Very deep Residual Networks are built by stacking these blocks together.
1.4K20发布于 2018-08-29
来自专栏媒矿工厂
Modern Hopfield Networks
本文来自NVIDIA GTC21的一次技术分享视频，演讲者是Sepp Hochreiter，主要讲述了他们关于Modern Hopfield Networks的相关工作，即论文：《Hopfield Networks 首先，Hochreiter对1982年提出的Standard Hopfield Networks（HNN）进行了简单回顾。具体来说，HNN由N个二元网络单元（ ? 2016年，Hopfield与Krotov等人提出了一种新的深度学习范式：Modern Hopfield Networks，Demircigil等人在2017年对其进行了改进。接下来，Hochreiter对Modern Hopfield Networks（MHNN）进行了阐述。
2.6K30发布于 2021-07-06
来自专栏Reck Zhang
Networks 13 - 代理
代理是一种特殊网络服务, 允许一个网络终端通过这个服务与另一个网络终端进行非直接的连接.
50730发布于 2021-08-11
来自专栏超然的博客
Graph Attention Networks
Graph Attention Networks paper：https://mila.quebec/wp-content/uploads/2018/07/d1ac95b60310f43bb5a0b8024522fbe08fb2a482
1.4K10发布于 2018-10-11
来自专栏卡尼慕
Generative Adversarial Networks
Generative Adversarial Networks 上一篇讲述了VAEs（变分自编码器），那么这次继续学习一下另一个生成模型——GANs。
80360发布于 2019-10-09
来自专栏Reck Zhang
Networks 08 - KCP
KCP是一个快速可靠协议, 能以比TCP浪费10%-20%的带宽的代价, 换取平均延迟降低30%-40%, 且最大延迟降低三倍的效果. 纯算法实现, 不负责底层协议的手法, 需要使用者自己定义下层数据包的发送方式, 用callback的方式提供给KCP.
80820发布于 2021-08-11
来自专栏Khan安全团队
Ruijie Networks RCE
echo "PD9waHAKJGNtZD0kX0dFVFsnY21kJ107CnN5c3RlbSgkY21kKTsKPz4K" | base64 -d POC: POST /guest_auth/gu
93520发布于 2021-03-10
来自专栏书山有路勤为径
Recurrent Neural Networks (RNNs)
许多应用涉及时间依赖，或基于时间依赖。这表示我们当前输出不仅仅取决于当前输入，还依赖于过去的输入。 RNN存在一个关键缺陷，因为几乎不可能捕获超过8或10步的关系。这个缺陷源于“ 消失梯度 ”问题，其中信息的贡献随时间在几何上衰减。长短期存储单元（LSTM）和门控循环单元（GRU）通过帮助我们应用具有时间依赖性的网络，为消失的梯度问题提供了解决方案。 LSTM GRU 在我们探寻循环神经网络之前，先回忆一下前馈神经网络的使用过程。
75130发布于 2018-10-10
来自专栏SIGAI学习与实践平台
理解Spatial Transformer Networks
Spatial Transformer Networks. CVPR, 2016 [2] Ghassen HAMROUNI. Spatial Transformer Networks Tutorial:©Copyright2017,PyTorch.https://pytorch.org/tutorials/intermediate
90850发布于 2018-08-21
来自专栏NLP小白的学习历程
The Physical Layer（Computer networks）
Computer networks——The Physical Layer •Theoretical Basis for Data Communications •Guided Transmission
78920发布于 2020-11-13
来自专栏技术随笔
Introduction to debugging neural networks
本文译自：Russell Stewart's Blog -> Introduction to debugging neural networks 同步发布于个人博客，转载注明出处。
1.3K60发布于 2018-05-16
来自专栏企鹅号快讯
16 Spatial Transformer Networks
Spatial transformer networks[J]. 2015:2017-2025. 虽然CNN的效果很好，但是仍然缺乏对数据的空间不变能力，从而限制了计算和参数的效率。对于整数采样kernel，公式简化为取x+0.5下界整数，δ函数为Kronecker delta函数对于双线性采样kernel，公式简化为该公式可导 Spatial Transformer Networks
1.7K50发布于 2018-02-08
来自专栏常用算法专栏
Prototypical Networks(原型网络）
Prototypical Networks，即原型网络，是一种在元学习和少样本学习领域中常见的深度学习模型。三、模型特点原型网络（Prototypical Networks）在少样本学习和元学习领域中具有显著的优势，但同时也存在一些局限性。
1.3K10编辑于 2025-04-05
来自专栏SIGAI学习与实践平台
理解Spatial Transformer Networks
Spatial Transformer Networks. CVPR, 2016 [2] Ghassen HAMROUNI. Spatial Transformer Networks Tutorial:©Copyright2017,PyTorch.https://pytorch.org/tutorials/intermediate
2K31发布于 2018-08-13
来自专栏Reck Zhang
Networks 16 - 字节序
字节序分为大端字节序(big endian)和小端字节序(little endian).
54530发布于 2021-08-11

第 2 页第 3 页第 4 页第 5 页第 6 页第 7 页第 8 页第 9 页第 10 页第 11 页

点击加载更多

Nerual NetWorks

Maxout Networks

Highway Networks

【连载15】Residual Networks、Maxout Networks和Network in Network

Convolutional Neural Networks

Build Residual Networks

Modern Hopfield Networks

Networks 13 - 代理

Graph Attention Networks

Generative Adversarial Networks

Networks 08 - KCP

Ruijie Networks RCE

Recurrent Neural Networks (RNNs)

理解Spatial Transformer Networks

The Physical Layer（Computer networks）

Introduction to debugging neural networks

16 Spatial Transformer Networks

Prototypical Networks(原型网络）

理解Spatial Transformer Networks

Networks 16 - 字节序

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐