Publikācijas par tēmu 'deep-learning'


Neironu tīkls: mākslīgā neironu tīkla būtība
Mašīnmācīšanās, dziļā mācīšanās Neironu tīkls: mākslīgā neironu tīkla būtība Kas patiesībā ir mākslīgais neironu tīkls Cilvēka smadzenes sastāv no miljardiem neironu, kas savienoti viens ar otru, un katrs neirons caur savienojumu nodod signālu citam. Tas liek cilvēkiem veikt īpašu darbību. Piemēram, jūs vēlaties sasniegt savu kabatu, lai paķertu tālruni, tad tiks nosūtīts signāls, kas tiks nosūtīts uz jūsu smadzenēm un iziet caur šiem miljardiem neironu savienojuma. Tad neironi,..
Smalks atpakaļpavairošanas piemērs — 2. daļa: Pamati
Ievads Šo rakstu sērijas "pirmajā daļā" mēs detalizēti aprakstījām atpakaļpavairošanas teorijas pamatprincipus un veicām vienkāršu ieviešanu, ieskaitot saskaitīšanu, atņemšanu un topoloģisko šķirošanu. Šajā rakstā mēs sīkāk izpētīsim reizināšanu, dalīšanu, kāpināšanu un dažas populāras aktivizēšanas funkcijas. Tā kā iepriekšējā rakstā, kuru es ieteiktu izlasīt vispirms "šeit", mēs izņēmām teorētiskās lietas, mēs iedziļināsimies tieši ieviešanā. Īstenošana Šajā rakstā mēs..
Mūsu pieejas kļūda: ko jūs darāt nepareizi, ieviešot atkārtotu neironu tīklu-LSTM!
Pirms dažiem mēnešiem es sāku iedziļināties mašīnmācīšanās jomā un pēc dažu projektu īstenošanas pie sevis nodomāju: "Tas nav īsti grūti". Tas bija līdz brīdim, kad es saskāros ar Deep Learning. Pilnīgi jauna studiju joma, dziļā mācīšanās, prasa milzīgu matemātisko, kā arī analītisko zināšanu daudzumu. Neironu tīkla izveide būtībā ir līdzvērtīga cilvēka smadzeņu veidošanai! Gatavojoties saskarties ar Neural Nets, es sapratu, ka tas ir tik nepārspējami. Ir tik daudz sarežģītu..
Hesenes kolektoru izmantošana mašīnmācībā 1. daļa
L2-kohomoloģijas grupu izzūdošās teorēmas uz Heses kolektoriem (arXiv) Autors: "Shinya Akagawa" Kopsavilkums : : Parādām Kodaira-Nakano tipa L2-kohomoloģijas grupu izzūdošās teorēmas uz pilniem Heses kolektoriem. Mēs iegūstam turpmākas izzūdošas L2-kohomoloģijas grupu L2Hp,q(Ω) teorēmas uz regulāra izliekta konusa Ω ar Čenga-Jau metriku p›q. 2. Optimāla transporta pieeja Monge-Ampère vienādojumiem uz kompaktajiem Hesenes kolektoriem (arXiv) Autori: Jakob Hultgren , Magnus..
Darbs ar Rayleigh koeficientu mašīnmācības 9. daļā
Rīmaņa optimizācija Grasmana kolektoru tenzoru produktiem: pielietojumi vispārinātiem Reilija koeficientiem (arXiv) Autors: O. Curtef , G. Dirr , U. Helmke Kopsavilkums: Mēs ieviešam vispārinātu Reilija koeficientu Grasmaņa tenzoru reizinājumam, kas ļauj izmantot vienotu pieeju labi zināmiem optimizācijas uzdevumiem no dažādām skaitliskās lineārās algebras jomām, piemēram, labākajiem tensoru zemā ranga tuvinājumiem (datu saspiešana), ģeometriskiem mērījumiem. sapīšanās (kvantu..
Attēlu klasifikācijas modeļa apkalpošana ar Tensorflow apkalpošanu
Uzziniet, kā izmantot Tensorflow apkalpošanu, lai izveidotu tīmekļa pakalpojumu jūsu Tensorflow modeļa apkalpošanai Šī ir emuāru sērijas otrā daļa, kurā tiks apskatīta Tensorflow modeļu apmācība, Tensorflow apkalpošana un tās veiktspēja. "Iepriekšējā ierakstā" mēs izmantojām objektu orientētu pieeju, lai apmācītu attēlu klasifikatora modeli, un eksportējām to kā SavedModel. Es iesaku to pārskatīt pirms šīs ziņas, jo mēs izmantosim to pašu modeli. Pilnus emuāru sērijas pieteikumu kodus..
Precizitāte pret atsaukšanu. Ko viņi jums patiesībā saka?
Izprotiet precizitātes un atsaukšanas ideju Ja kādam datu zinātniekam vai mašīnmācības inženierim jautātu par vienkāršāko un mulsinošāko tēmu, ko viņi iemācījušies, viena no pirmajām lietām, kas viņam ienāktu prātā, būtu Precizitāte pret atsaukšanu . No vienas puses šī tēma patiešām ir mulsinoša, un es pats pavadīju daudz laika, mēģinot saprast atšķirību un, pats galvenais, to, ko šie divi termini jums saka. No otras puses, tēma ir ļoti vienkārša, un tai nav nepieciešama..