- 轻量级神经网络——shuffleNet shuffleNet2 G1：输入输出通道数相同，MAC最小✨✨✨ G2：分组数过大的分组卷积会增加MAC✨✨✨ G3：碎片化操作对并行加速不友好 G4：逐元素操作带来的内存和耗时不可忽略✨✨✨ shuffleNet2 unit✨✨✨ shuffleNet2的网络结构和效果 轻量级神经网络——shuffleNet shuffleNet2 通过对s... 轻量级神经网络——shuffleNet shuffleNet2 G1：输入输出通道数相同，MAC最小✨✨✨ G2：分组数过大的分组卷积会增加MAC✨✨✨ G3：碎片化操作对并行加速不友好 G4：逐元素操作带来的内存和耗时不可忽略✨✨✨ shuffleNet2 unit✨✨✨ shuffleNet2的网络结构和效果 轻量级神经网络——shuffleNet shuffleNet2 通过对s...
- 深度学习经典网络模型汇总——LeNet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet【对卷积池化后特征图变化有详细讲解】 深度学习经典网络模型汇总——LeNet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet【对卷积池化后特征图变化有详细讲解】
- 摘要我们探索了普通的、非分层的视觉转换器（ViT）作为目标检测的骨干网络。这种设计使原始 ViT 架构能够针对对象检测进行微调，而无需重新设计用于预训练的分层主干。通过对微调的最小调整，我们的普通骨干检测器可以获得具有竞争力的结果。令人惊讶的是，我们观察到：（i）从单尺度特征图（没有常见的 FPN 设计）构建一个简单的特征金字塔就足够了；（ii）使用窗口注意力（没有移位）就足够了跨窗口传播... 摘要我们探索了普通的、非分层的视觉转换器（ViT）作为目标检测的骨干网络。这种设计使原始 ViT 架构能够针对对象检测进行微调，而无需重新设计用于预训练的分层主干。通过对微调的最小调整，我们的普通骨干检测器可以获得具有竞争力的结果。令人惊讶的是，我们观察到：（i）从单尺度特征图（没有常见的 FPN 设计）构建一个简单的特征金字塔就足够了；（ii）使用窗口注意力（没有移位）就足够了跨窗口传播...
- NLP特征提取器简介 - RNN和Transformer近年来，深度学习在各个NLP任务中都取得了SOTA结果，我们先了解一下现阶段在自然语言处理领域最常用的特征抽取结构。长短期记忆网络(LSTM)传统RNN的做法是将的所有知识全部提取出来，不作任何处理的输入到下一个时间步进行迭代。就像参加考试一样，如果希望事先把书本上的所有知识都记住，到了考试的时候，早期的知识恐怕已经被近期的知识完全覆... NLP特征提取器简介 - RNN和Transformer近年来，深度学习在各个NLP任务中都取得了SOTA结果，我们先了解一下现阶段在自然语言处理领域最常用的特征抽取结构。长短期记忆网络(LSTM)传统RNN的做法是将的所有知识全部提取出来，不作任何处理的输入到下一个时间步进行迭代。就像参加考试一样，如果希望事先把书本上的所有知识都记住，到了考试的时候，早期的知识恐怕已经被近期的知识完全覆...
- 论文连接：https://arxiv.org/abs/2010.11929GitHub·：https://github.com/google-research/vision_transformer 摘要虽然 Transformer 架构已成为自然语言处理任务的事实标准，但其在计算机视觉中的应用仍然有限。 在视觉上，注意力要么与卷积网络结合使用，要么用于替换卷积网络的某些组件，同时保持其整体结... 论文连接：https://arxiv.org/abs/2010.11929GitHub·：https://github.com/google-research/vision_transformer 摘要虽然 Transformer 架构已成为自然语言处理任务的事实标准，但其在计算机视觉中的应用仍然有限。 在视觉上，注意力要么与卷积网络结合使用，要么用于替换卷积网络的某些组件，同时保持其整体结...
- 仿人机器人拉格朗日动力学建模图解！ 仿人机器人拉格朗日动力学建模图解！
- 先来简单回顾一下神经网络语言模型。语言模型 (Language Models) 是语音识别系统中的重要组成部分，语音识别的核心公式如下这可进一步表示为一系列单个词的条件概率的乘积，这些条件概率取决于它们各自的前文序列。这也是当前统计语言模型的核心公式，在大规模训练语料库中用合适的模型统计分析得到词与词之间的关系依赖，即语义信息。n 元语法模型就是用马尔科夫假设限制了前文的长度，然后用频率近似... 先来简单回顾一下神经网络语言模型。语言模型 (Language Models) 是语音识别系统中的重要组成部分，语音识别的核心公式如下这可进一步表示为一系列单个词的条件概率的乘积，这些条件概率取决于它们各自的前文序列。这也是当前统计语言模型的核心公式，在大规模训练语料库中用合适的模型统计分析得到词与词之间的关系依赖，即语义信息。n 元语法模型就是用马尔科夫假设限制了前文的长度，然后用频率近似...
- 全卷积网络（FCN）实战：使用FCN实现语义分割FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸... 全卷积网络（FCN）实战：使用FCN实现语义分割FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸...
- mobileNetV2是对mobileNetV1的改进，是一种轻量级的神经网络。mobileNetV2保留了V1版本的深度可分离卷积，增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual）。MobileNetV2的模型如下图所示，其中t为瓶颈层内部升维的倍数，c为特征的维数，n为该瓶颈层重复的次数，s为瓶颈层第一个conv的步幅。除第一层外，整个网... mobileNetV2是对mobileNetV1的改进，是一种轻量级的神经网络。mobileNetV2保留了V1版本的深度可分离卷积，增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual）。MobileNetV2的模型如下图所示，其中t为瓶颈层内部升维的倍数，c为特征的维数，n为该瓶颈层重复的次数，s为瓶颈层第一个conv的步幅。除第一层外，整个网...
- Google提出了移动端模型MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，适合应用在真实的移动端应用场景。在认识MobileNet之前，我们先了解一下什么是深度可分离卷积，以及和普通卷积的区别。上面的图片展示了普通卷积和分组卷积的不同，下面我们通过具体的例子来看。 普通卷积标准卷积运算量的计算公式：FLOPs=(2×C0×K2−1)... Google提出了移动端模型MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，适合应用在真实的移动端应用场景。在认识MobileNet之前，我们先了解一下什么是深度可分离卷积，以及和普通卷积的区别。上面的图片展示了普通卷积和分组卷积的不同，下面我们通过具体的例子来看。 普通卷积标准卷积运算量的计算公式：FLOPs=(2×C0×K2−1)...
- 树莓派上的也能装MindSpore（CPU版） 树莓派上的也能装MindSpore（CPU版）
- MindSpore首次支持aarch64（ARM）的GPU！ MindSpore首次支持aarch64（ARM）的GPU！
- 记录在树莓派上的一次不成功的尝试。 记录在树莓派上的一次不成功的尝试。
- 摘要 GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。GRU既然是LSTM的变体，因此也是可以解决RNN网络中的长依赖问题。 在LSTM中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值。而在GRU模型中只有两个门：分别是更新门和重置门。具体结构如下图所示：图中的update... 摘要 GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。GRU既然是LSTM的变体，因此也是可以解决RNN网络中的长依赖问题。 在LSTM中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值。而在GRU模型中只有两个门：分别是更新门和重置门。具体结构如下图所示：图中的update...
- 接着啃书第三章 接着啃书第三章
上滑加载中
推荐直播
-
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。
回顾中
热门标签