- 原文链接论文地址：https://openaccess.thecvf.com/content_cvpr_2018/papers/He_A_Twofold_Siamese_CVPR_2018_paper.pdf 摘要1.本文核心一：将图像分类任务中的语义特征（Semantic features）与相似度匹配任务中的外观特征（Appearance features）互补结合，非常适合与目标跟踪任... 原文链接论文地址：https://openaccess.thecvf.com/content_cvpr_2018/papers/He_A_Twofold_Siamese_CVPR_2018_paper.pdf 摘要1.本文核心一：将图像分类任务中的语义特征（Semantic features）与相似度匹配任务中的外观特征（Appearance features）互补结合，非常适合与目标跟踪任...
- 原文链接 SiamFC网络<图中z代表的是模板图像，算法中使用的是第一帧的ground truth；x代表的是search region，代表在后面的待跟踪帧中的候选框搜索区域；ϕ代表的是一种特征映射操作，将原始图像映射到特定的特征空间，文中采用的是CNN中的卷积层和pooling层；6×6×128代表z经过ϕ后得到的特征，是一个128通道6×6大小feature，同理，22×22×128是... 原文链接 SiamFC网络<图中z代表的是模板图像，算法中使用的是第一帧的ground truth；x代表的是search region，代表在后面的待跟踪帧中的候选框搜索区域；ϕ代表的是一种特征映射操作，将原始图像映射到特定的特征空间，文中采用的是CNN中的卷积层和pooling层；6×6×128代表z经过ϕ后得到的特征，是一个128通道6×6大小feature，同理，22×22×128是...
- 摘要GhostNet网络是2019年的发布的轻量级网络，速度和MobileNetV3相似，但是识别的准确率比MobileNetV3高，在ImageNet ILSVRC-2012分类数据集的达到了75.7%的top-1精度。论文链接：https://arxiv.org/abs/1911.11907作者解读：https://zhuanlan.zhihu.com/p/109325275开源代码：... 摘要GhostNet网络是2019年的发布的轻量级网络，速度和MobileNetV3相似，但是识别的准确率比MobileNetV3高，在ImageNet ILSVRC-2012分类数据集的达到了75.7%的top-1精度。论文链接：https://arxiv.org/abs/1911.11907作者解读：https://zhuanlan.zhihu.com/p/109325275开源代码：...
- @toc 1、keras介绍 tf.keras 是 tensorflow2 引入的高封装度的框架，可以用于快速搭建神经网 络模型，keras 为支持快速实验而生，能够把想法迅速转换为结果，是深度学习 框架之中最终易上手的一个，它提供了一致而简洁的 API，能够极大地减少一般 应用下的工作量，提高代码地封装程度和复用性。 文档地址：https://tensorflow.google.cn/... @toc 1、keras介绍 tf.keras 是 tensorflow2 引入的高封装度的框架，可以用于快速搭建神经网 络模型，keras 为支持快速实验而生，能够把想法迅速转换为结果，是深度学习 框架之中最终易上手的一个，它提供了一致而简洁的 API，能够极大地减少一般 应用下的工作量，提高代码地封装程度和复用性。 文档地址：https://tensorflow.google.cn/...
- @toc 1、卷积的概念 卷积的概念：卷积可以认为是一种有效提取图像特征的方法。一般会用一个正方形的卷积核，按指定步长，在输入特征图上滑动，遍历输入特征图中的每个像素点。每一个步长， 卷积核会与输入特征图出现重合区域，重合区域对应元素相乘、求和再加上偏置项得到输出特征的一个像素点，如下图所示。 对于彩色图像（多通道）来说，卷积核通道数与输入特征一致，套接后在对应位置上 进行乘加和操作，... @toc 1、卷积的概念 卷积的概念：卷积可以认为是一种有效提取图像特征的方法。一般会用一个正方形的卷积核，按指定步长，在输入特征图上滑动，遍历输入特征图中的每个像素点。每一个步长， 卷积核会与输入特征图出现重合区域，重合区域对应元素相乘、求和再加上偏置项得到输出特征的一个像素点，如下图所示。 对于彩色图像（多通道）来说，卷积核通道数与输入特征一致，套接后在对应位置上 进行乘加和操作，...
- @toc借鉴点：共享卷积核，减少网络参数。 1、LeNet5网络结构搭建 LeNet 即 LeNet5，由 Yann LeCun 在 1998 年提出，做为最早的卷积神经网络之一，是许多神经网络架构的起点，其网络结构如图所示。 根据以上信息，就可以根据我前面文章所总结出来的方法，在 Tensorflow 框架下利用 tf.Keras 来构建 LeNet5 模型，如图所示。 图中紫色部分... @toc借鉴点：共享卷积核，减少网络参数。 1、LeNet5网络结构搭建 LeNet 即 LeNet5，由 Yann LeCun 在 1998 年提出，做为最早的卷积神经网络之一，是许多神经网络架构的起点，其网络结构如图所示。 根据以上信息，就可以根据我前面文章所总结出来的方法，在 Tensorflow 框架下利用 tf.Keras 来构建 LeNet5 模型，如图所示。 图中紫色部分...
- @toc该网络值得借鉴的地方：激活函数使用 Relu，提升训练速度；Dropout 防止过拟合。 1、AlexNet网络结构 AlexNet 网络诞生于 2012 年，是第一个在图像识别比赛中获得冠军的深度学习模型，其 ImageNet Top5 错误率为 16.4 %，可以说 AlexNet 的出现使得已经沉寂多年的深度学习领域开启了黄金时代。 AlexNet 的总体结构和 LeNet... @toc该网络值得借鉴的地方：激活函数使用 Relu，提升训练速度；Dropout 防止过拟合。 1、AlexNet网络结构 AlexNet 网络诞生于 2012 年，是第一个在图像识别比赛中获得冠军的深度学习模型，其 ImageNet Top5 错误率为 16.4 %，可以说 AlexNet 的出现使得已经沉寂多年的深度学习领域开启了黄金时代。 AlexNet 的总体结构和 LeNet...
- @toc借鉴点：小卷积核减少参数的同时，提高识别准确率；网络结构规整，适合并行加速。 1、VGGNet网络模型 在 AlexNet 之后，另一个性能提升较大的网络是诞生于 2014 年的 VGGNet，其 ImageNet Top5 错误率减小到了 7.3 %。 VGGNet 网络的最大改进是在网络的深度上，由 AlexNet 的 8 层增加到了 16 层和 19 层， 更深的网络意味... @toc借鉴点：小卷积核减少参数的同时，提高识别准确率；网络结构规整，适合并行加速。 1、VGGNet网络模型 在 AlexNet 之后，另一个性能提升较大的网络是诞生于 2014 年的 VGGNet，其 ImageNet Top5 错误率减小到了 7.3 %。 VGGNet 网络的最大改进是在网络的深度上，由 AlexNet 的 8 层增加到了 16 层和 19 层， 更深的网络意味...
- @toc借鉴点：层间残差跳连，引入前方信息，减少梯度消失，使神经网络层数变身成为可能。 1、ResNet残差网络 ResNet 即深度残差网络，由何恺明及其团队提出，是深度学习领域又一具有开创性的工作，通过对残差结构的运用，ResNet 使得训练数百层的网络成为了可能，从而具有非常强大的表征能力，其网络结构如图所示。 ResNet 的核心是残差结构，如下图所示。在残差结构中，ResNet... @toc借鉴点：层间残差跳连，引入前方信息，减少梯度消失，使神经网络层数变身成为可能。 1、ResNet残差网络 ResNet 即深度残差网络，由何恺明及其团队提出，是深度学习领域又一具有开创性的工作，通过对残差结构的运用，ResNet 使得训练数百层的网络成为了可能，从而具有非常强大的表征能力，其网络结构如图所示。 ResNet 的核心是残差结构，如下图所示。在残差结构中，ResNet...
- @toc借鉴点：一层内使用不同尺寸的卷积核，提升感知力（通过 padding 实现输出特征面积一致）； 使用 1 * 1 卷积核，改变输出特征 channel 数（减少网络参数）。 1、InceptionNet网络模型 InceptionNet 即 GoogLeNet，诞生于 2015 年，旨在通过增加网络的宽度来提升网络的能力，与 VGGNet 通过卷积层堆叠的方式（纵向）相比，是一个不... @toc借鉴点：一层内使用不同尺寸的卷积核，提升感知力（通过 padding 实现输出特征面积一致）； 使用 1 * 1 卷积核，改变输出特征 channel 数（减少网络参数）。 1、InceptionNet网络模型 InceptionNet 即 GoogLeNet，诞生于 2015 年，旨在通过增加网络的宽度来提升网络的能力，与 VGGNet 通过卷积层堆叠的方式（纵向）相比，是一个不...
- @toc原理请查看前面几篇文章。 1、数据源 SH600519.csv 是用 tushare 模块下载的 SH600519 贵州茅台的日 k 线数据，本次例子中只用它的 C 列数据(如图 所示)： 用连续 60 天的开盘价，预测第 61 天的开盘价。 2、代码实现 按照六步法： import 相关模块->读取贵州茅台日 k 线数据到变量 maotai，把变量 maotai 中前 212... @toc原理请查看前面几篇文章。 1、数据源 SH600519.csv 是用 tushare 模块下载的 SH600519 贵州茅台的日 k 线数据，本次例子中只用它的 C 列数据(如图 所示)： 用连续 60 天的开盘价，预测第 61 天的开盘价。 2、代码实现 按照六步法： import 相关模块->读取贵州茅台日 k 线数据到变量 maotai，把变量 maotai 中前 212...
- @toc 1、传统RNN的缺点 RNN 面临的较大问题是无法解决长跨度依赖问题，即后面节点相对于跨度很大的前面时间节点的信息感知能力太弱。如下图中的两句话：左上角的句子中 sky 可以由较短跨度的词预测出来，而右下角句子中的 French 与较长跨度之前的 France 有关系，即长跨度依赖，比较难预测。 图片来源：https://www.jianshu.com/p/9dc9f41f0b... @toc 1、传统RNN的缺点 RNN 面临的较大问题是无法解决长跨度依赖问题，即后面节点相对于跨度很大的前面时间节点的信息感知能力太弱。如下图中的两句话：左上角的句子中 sky 可以由较短跨度的词预测出来，而右下角句子中的 French 与较长跨度之前的 France 有关系，即长跨度依赖，比较难预测。 图片来源：https://www.jianshu.com/p/9dc9f41f0b...
- @toc 1、GRU(门控循环单元)GRU 由 Cho 等人于 2014 年提出，优化 LSTM 结构。 1.1 GRU原理 门控循环单元(Gated Recurrent Unit，GRU)是 LSTM 的一种变体，将 LSTM 中遗忘门与输入门合二为一为更新门，模型比 LSTM 模型更简单。 如上图所示，GRU 使记忆体hth_tht融合了长期记忆和短期记忆。hth_tht包含了过... @toc 1、GRU(门控循环单元)GRU 由 Cho 等人于 2014 年提出，优化 LSTM 结构。 1.1 GRU原理 门控循环单元(Gated Recurrent Unit，GRU)是 LSTM 的一种变体，将 LSTM 中遗忘门与输入门合二为一为更新门，模型比 LSTM 模型更简单。 如上图所示，GRU 使记忆体hth_tht融合了长期记忆和短期记忆。hth_tht包含了过...
- 《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。前文介绍了谷歌的Word2vec和Doc2vec，它们开启了NLP的飞跃发展。这篇文章将详细讲解DeepWalk，通过随机游走的方式对网络化数据做一个表示学习，它是图神经网络的开山之作，借鉴了Word2vec的思想，值得大家学习。 《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。前文介绍了谷歌的Word2vec和Doc2vec，它们开启了NLP的飞跃发展。这篇文章将详细讲解DeepWalk，通过随机游走的方式对网络化数据做一个表示学习，它是图神经网络的开山之作，借鉴了Word2vec的思想，值得大家学习。
- 本项目讲解了基于ERNIE信息抽取技术，对属性和关系的抽取涉及多对多抽取，主要是使用可ERNIEKIT组件，整体效果非常不错，当然追求小样本学习的可以参考之前UIE项目或者去官网看看paddlenlp最新的更新，对训练和部署进行了提速。 本项目讲解了基于ERNIE信息抽取技术，对属性和关系的抽取涉及多对多抽取，主要是使用可ERNIEKIT组件，整体效果非常不错，当然追求小样本学习的可以参考之前UIE项目或者去官网看看paddlenlp最新的更新，对训练和部署进行了提速。
上滑加载中
推荐直播
-
DeepSeek行业运用方案2025/02/25 周二 16:30-17:30
阿肯-华为云生态技术讲师
本期课程将带您揭秘DeepSeek在多行业的创新方案，手把手演示如何通过ModelArts在华为云上构建方案。
回顾中 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签