- 大家好，我是丁小杰。上一篇和大家分享了如何用keras进行手写数字分类，今天我们来学习一下机器学习的基本数据结构——张量。一般来说，当前所有机器学习系统都使用张量（tensor）作为基本数据结构，即多维 Numpy 数组，它是一个数据容器。其中的数据绝大多是都是数值。大名鼎鼎的 TensorFlow 都以它来命名，下面就来详细看看。 张量的属性轴数（阶）：Numpy 中用 ndim 表示，例... 大家好，我是丁小杰。上一篇和大家分享了如何用keras进行手写数字分类，今天我们来学习一下机器学习的基本数据结构——张量。一般来说，当前所有机器学习系统都使用张量（tensor）作为基本数据结构，即多维 Numpy 数组，它是一个数据容器。其中的数据绝大多是都是数值。大名鼎鼎的 TensorFlow 都以它来命名，下面就来详细看看。 张量的属性轴数（阶）：Numpy 中用 ndim 表示，例...
- 继CV/NLP领域的成功后，深度学习开始逐步进入生物领域，例如细胞影像分类，基因组研究等。在药物研发及蛋白工程领域，设计具备成药潜力的分子是重要的目标，AI与小分子药物结合的研究已较多，目前AI方法亦逐渐被用于生物药物的研发，例如抗体药物。本篇综述简要介绍了抗体及深度学习的背景，然后深入介绍了数种深度学习算法，该类型算法主要用于抗体结构/Affinity/互作/Target研究等。 继CV/NLP领域的成功后，深度学习开始逐步进入生物领域，例如细胞影像分类，基因组研究等。在药物研发及蛋白工程领域，设计具备成药潜力的分子是重要的目标，AI与小分子药物结合的研究已较多，目前AI方法亦逐渐被用于生物药物的研发，例如抗体药物。本篇综述简要介绍了抗体及深度学习的背景，然后深入介绍了数种深度学习算法，该类型算法主要用于抗体结构/Affinity/互作/Target研究等。
- 本文带大家快速浏览昇思MindSpore全场景AI框架1.6版本的关键特性。 本文带大家快速浏览昇思MindSpore全场景AI框架1.6版本的关键特性。
- Python Opencv实战之图像阈值和模糊处理，万字实战，收藏起来吧~ Python Opencv实战之图像阈值和模糊处理，万字实战，收藏起来吧~
- 深度学习吴恩达老师（一）：神经网络和深度学习(Neural Networks and Deep Learning)：内容整理 + 习题分享 深度学习吴恩达老师（一）：神经网络和深度学习(Neural Networks and Deep Learning)：内容整理 + 习题分享
- 从本专栏开始，作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了BiLSTM-CRF模型搭建及训练、预测，最终实现医学命名实体识别实验。这篇文章将详细讲解Keras实现经典的深度学习文本分类算法，包括LSTM、BiLSTM、BiLSTM+Attention和CNN、TextCNN，这篇文章将以代码为主，让读者直观感受深度神经网络，希望对您有所帮助~ 从本专栏开始，作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了BiLSTM-CRF模型搭建及训练、预测，最终实现医学命名实体识别实验。这篇文章将详细讲解Keras实现经典的深度学习文本分类算法，包括LSTM、BiLSTM、BiLSTM+Attention和CNN、TextCNN，这篇文章将以代码为主，让读者直观感受深度神经网络，希望对您有所帮助~
- 实体是知识图谱最重要的组成，命名实体识别（Named Entity Recognition，NER）对于知识图谱构建具有很重要意义。命名实体是一个词或短语，它可以在具有相似属性的一组事物中清楚地标识出某一个事物。命名实体识别（NER）则是指在文本中定位命名实体的边界并分类到预定义类型集合的过程。本文介绍了基于BiLSTM+CRF的医学命名实体识别研究，希望对您有所帮助~ 实体是知识图谱最重要的组成，命名实体识别（Named Entity Recognition，NER）对于知识图谱构建具有很重要意义。命名实体是一个词或短语，它可以在具有相似属性的一组事物中清楚地标识出某一个事物。命名实体识别（NER）则是指在文本中定位命名实体的边界并分类到预定义类型集合的过程。本文介绍了基于BiLSTM+CRF的医学命名实体识别研究，希望对您有所帮助~
- 这篇文章简单讲解易学智能GPU搭建Keras环境的过程，并实现了LSTM文本分类的实验，本来想写Google Colab免费云，但看知乎评价也不太好（梯子常断网、时间限制、数据量小）。因此，选择一个评价较好的平台供大家学习（6块一小时），也希望大家推荐更好的平台，百度飞浆后续准备也学习下，希望这篇文章能解决自身电脑配置不足，需要GPU运行模型且服务器价格又不是太高的同学，加油！ 这篇文章简单讲解易学智能GPU搭建Keras环境的过程，并实现了LSTM文本分类的实验，本来想写Google Colab免费云，但看知乎评价也不太好（梯子常断网、时间限制、数据量小）。因此，选择一个评价较好的平台供大家学习（6块一小时），也希望大家推荐更好的平台，百度飞浆后续准备也学习下，希望这篇文章能解决自身电脑配置不足，需要GPU运行模型且服务器价格又不是太高的同学，加油！
- 前一篇文章分享了CNN实现中文文本分类的过程，并与贝叶斯、决策树、逻辑回归、随机森林、KNN、SVM等分类算法进行对比。这篇文章将详细讲解通过自定义情感词典（大连理工词典）实现情感分析和情绪分类的过程，并与SnowNLP进行对比，为后续深度学习和自然语言处理（情感分析、实体识别、实体对齐、知识图谱构建、文本挖掘）结合做基础，希望对您有所帮助~ 前一篇文章分享了CNN实现中文文本分类的过程，并与贝叶斯、决策树、逻辑回归、随机森林、KNN、SVM等分类算法进行对比。这篇文章将详细讲解通过自定义情感词典（大连理工词典）实现情感分析和情绪分类的过程，并与SnowNLP进行对比，为后续深度学习和自然语言处理（情感分析、实体识别、实体对齐、知识图谱构建、文本挖掘）结合做基础，希望对您有所帮助~
- 本期精彩看点：华为云物联网创新应用大赛火热启动：百万奖金招募，扶持商业变现。华为HDZ年终巨献：深圳AIoT技术圈有盛会！ 本期精彩看点：华为云物联网创新应用大赛火热启动：百万奖金招募，扶持商业变现。华为HDZ年终巨献：深圳AIoT技术圈有盛会！
- 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。由于作者的英文水平和学术能力不高，需要不断提升，所以还请大家批评指正，非常欢迎大家给我留言评论，学术路上期待与您前行。这篇文章将详细介绍生成对抗网络GAN的基础知识，包括什么是GAN、常用算法（CGAN、DCGAN、infoGAN、WGAN）、发展历程、预备知识，并通过Keras搭建最简答的手写数字图片生成案 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。由于作者的英文水平和学术能力不高，需要不断提升，所以还请大家批评指正，非常欢迎大家给我留言评论，学术路上期待与您前行。这篇文章将详细介绍生成对抗网络GAN的基础知识，包括什么是GAN、常用算法（CGAN、DCGAN、infoGAN、WGAN）、发展历程、预备知识，并通过Keras搭建最简答的手写数字图片生成案
- 活动链接：https://bbs.huaweicloud.com/forum/thread-164772-1-1.html还记得在任务一时，基于昇腾CANN的推理应用开发--高清图像修复（Python）实验吗？ 附上实验链接：https://www.hiascend.com/zh/college/onlineExperiment/detail/664601这次需要在自己的环境上真实复现上述实... 活动链接：https://bbs.huaweicloud.com/forum/thread-164772-1-1.html还记得在任务一时，基于昇腾CANN的推理应用开发--高清图像修复（Python）实验吗？ 附上实验链接：https://www.hiascend.com/zh/college/onlineExperiment/detail/664601这次需要在自己的环境上真实复现上述实...
- 前一篇文章分享了循环神经网络RNN的原理知识，并采用Keras实现手写数字识别的RNN分类案例及可视化呈现。这篇文章作者将带领大家用Keras实现RNN和LSTM的文本分类算法，并与传统的机器学习分类算法进行对比实验。基础性文章，希望对您有所帮助！ 前一篇文章分享了循环神经网络RNN的原理知识，并采用Keras实现手写数字识别的RNN分类案例及可视化呈现。这篇文章作者将带领大家用Keras实现RNN和LSTM的文本分类算法，并与传统的机器学习分类算法进行对比实验。基础性文章，希望对您有所帮助！
- 前一篇文章详细讲解了无监督学习Autoencoder的原理知识，然后用MNIST手写数字案例进行对比实验及聚类分析。这篇文章将开启Keras人工智能的学习，主要分享Keras环境搭建、入门基础及回归神经网络案例。基础性文章，希望对您有所帮助！ 前一篇文章详细讲解了无监督学习Autoencoder的原理知识，然后用MNIST手写数字案例进行对比实验及聚类分析。这篇文章将开启Keras人工智能的学习，主要分享Keras环境搭建、入门基础及回归神经网络案例。基础性文章，希望对您有所帮助！
- 前一篇文章详细讲解了循环神经网络LSTM RNN如何实现回归预测，通过sin曲线拟合实现如下图所示效果。本篇文章将分享无监督学习Autoencoder的原理知识，然后用MNIST手写数字案例进行对比实验及聚类分析。基础性文章，希望对您有所帮助！ 前一篇文章详细讲解了循环神经网络LSTM RNN如何实现回归预测，通过sin曲线拟合实现如下图所示效果。本篇文章将分享无监督学习Autoencoder的原理知识，然后用MNIST手写数字案例进行对比实验及聚类分析。基础性文章，希望对您有所帮助！
上滑加载中
推荐直播
-
OpenHarmony应用开发之网络数据请求与数据解析2025/01/16 周四 19:00-20:30
华为开发者布道师、南京师范大学泰州学院副教授，硕士研究生导师，开放原子教育银牌认证讲师
科技浪潮中，鸿蒙生态强势崛起，OpenHarmony开启智能终端无限可能。当下，其原生应用开发适配潜力巨大，终端设备已广泛融入生活各场景，从家居到办公、穿戴至车载。 现在，机会敲门！我们的直播聚焦OpenHarmony关键的网络数据请求与解析，抛开晦涩理论，用真实案例带你掌握数据访问接口，轻松应对复杂网络请求、精准解析Json与Xml数据。参与直播，为开发鸿蒙App夯实基础，抢占科技新高地，别错过！
回顾中 -
Ascend C高层API设计原理与实现系列2025/01/17 周五 15:30-17:00
Ascend C 技术专家
以LayerNorm算子开发为例，讲解开箱即用的Ascend C高层API
回顾中
热门标签