- @Author：Runsen 文章目录 循环神经网络RNN Load Dataset 1. Vanilla RNN 2. Stacked Vanilla RNN 3. LSTM 4. Stacked LSTM 循环神经网络RNN 前馈神经网络（例如 MLP 和 CNN）功能强大，但它们并未针对处理“顺序”数据进行优化 ... @Author：Runsen 文章目录 循环神经网络RNN Load Dataset 1. Vanilla RNN 2. Stacked Vanilla RNN 3. LSTM 4. Stacked LSTM 循环神经网络RNN 前馈神经网络（例如 MLP 和 CNN）功能强大，但它们并未针对处理“顺序”数据进行优化 ...
- @Author：Runsen 文章目录 卷积神经网络 网络架构 卷积 卷积层 在Keras中构建卷积层 池化层 全连接层 Python实现卷积神经网络 总结 卷积神经网络 Yann LeCun 和Yoshua Bengio在1995年引入了卷积神经网络，也称为卷积网络或CNN。CNN是一种特殊的多层神... @Author：Runsen 文章目录 卷积神经网络 网络架构 卷积 卷积层 在Keras中构建卷积层 池化层 全连接层 Python实现卷积神经网络 总结 卷积神经网络 Yann LeCun 和Yoshua Bengio在1995年引入了卷积神经网络，也称为卷积网络或CNN。CNN是一种特殊的多层神...
- CNN :Convolutional Neural Networks (卷积神经网络 ) 环境准备 Python版本：Python 3.6.8 PyTorch版本：PyTorch1.1.0 RDKit版本：RDKit 2020.03.1 基于卷积神经网络（CNN）预测分子特性 导入库 from rdk... CNN :Convolutional Neural Networks (卷积神经网络 ) 环境准备 Python版本：Python 3.6.8 PyTorch版本：PyTorch1.1.0 RDKit版本：RDKit 2020.03.1 基于卷积神经网络（CNN）预测分子特性 导入库 from rdk...
- 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算... 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算...
- 今天给大家介绍以色列本·古里安大学的研究人员发表在NIPS2020上的一篇论文。图卷积网络（GCN）在处理无序数据（如点云和网格）方面已被证明是有效的方法，作者在有限差分和代数多重网格框架的启发下，提出了用于图卷积，池化和解池化的新颖方法——DiffGCN，经各种实验证明，DiffGCN拥有最好的结果。 介绍 过去的几年中，许多工作使用标... 今天给大家介绍以色列本·古里安大学的研究人员发表在NIPS2020上的一篇论文。图卷积网络（GCN）在处理无序数据（如点云和网格）方面已被证明是有效的方法，作者在有限差分和代数多重网格框架的启发下，提出了用于图卷积，池化和解池化的新颖方法——DiffGCN，经各种实验证明，DiffGCN拥有最好的结果。 介绍 过去的几年中，许多工作使用标...
- @Author：Runsen Faster R-CNN 由于Fast R-CNN 过程中仍然存在一个瓶颈，即ROI Projection。众所周知，检测对象的第一步是在对象周围生成一组潜在的边界框。在 Fast R-CNN 中，ROI Projection是使用Selective Search创建的，发现一个非常缓慢的过程是整个对象检测过程的瓶颈。 选择性搜索是一... @Author：Runsen Faster R-CNN 由于Fast R-CNN 过程中仍然存在一个瓶颈，即ROI Projection。众所周知，检测对象的第一步是在对象周围生成一组潜在的边界框。在 Fast R-CNN 中，ROI Projection是使用Selective Search创建的，发现一个非常缓慢的过程是整个对象检测过程的瓶颈。 选择性搜索是一...
- @Author：Runsen 本文博客目标：了解自动编码器的基本知识 参考文献 https://blog.keras.io/building-autoencoders-in-keras.html https://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in... @Author：Runsen 本文博客目标：了解自动编码器的基本知识 参考文献 https://blog.keras.io/building-autoencoders-in-keras.html https://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in...
- 一，model文件解释 yolov5的模型配置文件如下： # parametersnc: 80 # number of classesdepth_multiple: 1.0 # model depth multiplewidth_multiple: 1.0 # layer channel multiple # anchorsanchors: - [10,13,... 一，model文件解释 yolov5的模型配置文件如下： # parametersnc: 80 # number of classesdepth_multiple: 1.0 # model depth multiplewidth_multiple: 1.0 # layer channel multiple # anchorsanchors: - [10,13,...
- 系列内容深度学习CNN 文章目录 CNN网络架构图展示的卷积神经网络：卷积神经网络的层结构和全连接神经网络的层结构不同：卷积计算池化全连接 CNN网络架构 一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络，它的常用架构模式 INPUT -> [[CONV]*N -> POOL?]*M ... 系列内容深度学习CNN 文章目录 CNN网络架构图展示的卷积神经网络：卷积神经网络的层结构和全连接神经网络的层结构不同：卷积计算池化全连接 CNN网络架构 一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络，它的常用架构模式 INPUT -> [[CONV]*N -> POOL?]*M ...
- 原文:深度学习技术前沿 【CV中的Attention机制】基于SENet的改进-SKNet https://github.com/pppLang/SKNet/blob/master/sknet.py 论文地址：https://arxiv.org/abs/1903.06586 caffe: 代码地址：https://github.com/impl... 原文:深度学习技术前沿 【CV中的Attention机制】基于SENet的改进-SKNet https://github.com/pppLang/SKNet/blob/master/sknet.py 论文地址：https://arxiv.org/abs/1903.06586 caffe: 代码地址：https://github.com/impl...
- cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。 &nb... cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。 &nb...
- 原文地址： RetinaFace: Single-stage Dense Face Localisation in the Wildarxiv.org 源码地址： https://github.com/deepinsight/insightface/tree/master/RetinaFace 参考代码 https://github... 原文地址： RetinaFace: Single-stage Dense Face Localisation in the Wildarxiv.org 源码地址： https://github.com/deepinsight/insightface/tree/master/RetinaFace 参考代码 https://github...
- 整体嵌套的边缘检测： Holistically-Nested Edge Detection vgg16： https://github.com/harsimrat-eyeem/holy-edge c++版的： https://github.com/harsimrat-eyeem/hed ... 整体嵌套的边缘检测： Holistically-Nested Edge Detection vgg16： https://github.com/harsimrat-eyeem/holy-edge c++版的： https://github.com/harsimrat-eyeem/hed ...
- darknet：网络挺快，但是权重比较大，占用内存比较多 darknet53 512 p100 gpu 15ms ShuffleNetV2 512 p100 gpu 15ms，但是权重比较小，占用内存小。 dla_34 p100 512 512 23ms 训练比较慢 if __n... darknet：网络挺快，但是权重比较大，占用内存比较多 darknet53 512 p100 gpu 15ms ShuffleNetV2 512 p100 gpu 15ms，但是权重比较小，占用内存小。 dla_34 p100 512 512 23ms 训练比较慢 if __n...
- 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边... 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
即将直播
热门标签