- GNN原理及相关算法 Basic of GCN GCNH(l+1) = f(A, H(l))聚合周围的邻接节点解读（形式上）图的邻接矩阵，做了自环（加了I）然后做了对称归一化通过D^(1-1/2)再对整个输入特征进行聚合乘以H GCN原理之spectral graph theory properties of matrices related to AL = D-ALsym = D^(-1... GNN原理及相关算法 Basic of GCN GCNH(l+1) = f(A, H(l))聚合周围的邻接节点解读（形式上）图的邻接矩阵，做了自环（加了I）然后做了对称归一化通过D^(1-1/2)再对整个输入特征进行聚合乘以H GCN原理之spectral graph theory properties of matrices related to AL = D-ALsym = D^(-1...
- 应用深度学习来检测语义代码克隆受到了研究界的广泛关注。但是，目前没有研究调查是否正确使用诸如BigCloneBench 的基准数据集来评估用于检测语义代码克隆的模型。本文提出了一种设计不合理的线性模型，却能够在BigCloneBench上实现高效的语义克隆检测。为了缓解这些问题，本文构造了一个名为AbsBigCloneBench的基准集，能够更好地评估深度学习模型在检测语义克隆任务中的有效性。 应用深度学习来检测语义代码克隆受到了研究界的广泛关注。但是，目前没有研究调查是否正确使用诸如BigCloneBench 的基准数据集来评估用于检测语义代码克隆的模型。本文提出了一种设计不合理的线性模型，却能够在BigCloneBench上实现高效的语义克隆检测。为了缓解这些问题，本文构造了一个名为AbsBigCloneBench的基准集，能够更好地评估深度学习模型在检测语义克隆任务中的有效性。
- @[toc] 零、基础知识铺垫“独立同分布”的数据能让人很快地发觉数据之间的关系，因为不会出现像过拟合等问题。一般在模型训练之前，需要对数据做归一化。为了解决ICS问题，即internal covarivate shift（内部协变量漂移）问题，即数据分布会发生变化，对下一层网络的学习带来困难。在深度神经网络中，层与层相互之间是存在直接或间接影响的，某一层的微小变动就可能导致其他层的“剧烈震... @[toc] 零、基础知识铺垫“独立同分布”的数据能让人很快地发觉数据之间的关系，因为不会出现像过拟合等问题。一般在模型训练之前，需要对数据做归一化。为了解决ICS问题，即internal covarivate shift（内部协变量漂移）问题，即数据分布会发生变化，对下一层网络的学习带来困难。在深度神经网络中，层与层相互之间是存在直接或间接影响的，某一层的微小变动就可能导致其他层的“剧烈震...
- 目录1、 模型介绍2、 模型结构3、 模型特性4、Pytorch官方实现5、keras实现1、 模型介绍 AlexNet是由Alex Krizhevsky 提出的首个应用于图像分类的深层卷积神经网络，该网络在2012年ILSVRC（ImageNet Large Scale Visual Recognition Competition）图像分类竞赛中以15.3%的top-5测试错误率赢得... 目录1、 模型介绍2、 模型结构3、 模型特性4、Pytorch官方实现5、keras实现1、 模型介绍 AlexNet是由Alex Krizhevsky 提出的首个应用于图像分类的深层卷积神经网络，该网络在2012年ILSVRC（ImageNet Large Scale Visual Recognition Competition）图像分类竞赛中以15.3%的top-5测试错误率赢得...
- Swin Transformer夺得ICCV 2021最佳论文，在ViT领域中独树一帜，屠宰一众CV任务榜单，那工程上的应用性如何呢?本文分析了Swin和PyramidTNT已经conv+Transformer的结构uniformer在GPU上的时延，并和传统的resnet50比较，看看ViT的表现如何 Swin Transformer夺得ICCV 2021最佳论文，在ViT领域中独树一帜，屠宰一众CV任务榜单，那工程上的应用性如何呢?本文分析了Swin和PyramidTNT已经conv+Transformer的结构uniformer在GPU上的时延，并和传统的resnet50比较，看看ViT的表现如何
- Inception V2 摘要由于每层输入的分布在训练过程中随着前一层的参数发生变化而发生变化，因此训练深度神经网络很复杂。由于需要较低的学习率和仔细的参数初始化，这会减慢训练速度，并且使得训练具有饱和非线性的模型变得非常困难。我们将这种现象称为内部协变量偏移，并通过归一化层输入来解决该问题。我们的方法的优势在于将标准化作为模型架构的一部分，并为每个训练小批量执行标准化。 Batch No... Inception V2 摘要由于每层输入的分布在训练过程中随着前一层的参数发生变化而发生变化，因此训练深度神经网络很复杂。由于需要较低的学习率和仔细的参数初始化，这会减慢训练速度，并且使得训练具有饱和非线性的模型变得非常困难。我们将这种现象称为内部协变量偏移，并通过归一化层输入来解决该问题。我们的方法的优势在于将标准化作为模型架构的一部分，并为每个训练小批量执行标准化。 Batch No...
- 摘要论文地址我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时保持了计算预算不变。为了优化质量，架构的设计以赫布理论和多尺度处理直觉为基础。我们在ILSVRC14提交中应用... 摘要论文地址我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时保持了计算预算不变。为了优化质量，架构的设计以赫布理论和多尺度处理直觉为基础。我们在ILSVRC14提交中应用...
- 摘要论文地址在这项工作中，我们研究了卷积网络深度在大规模的图像识别环境下对准确性的影响。我们的主要贡献是使用非常小的（3×3）卷积滤波器架构对网络深度的增加进行了全面评估，这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。这些发现是我们的ImageNet Challenge 2014提交的基础，我们的团队在定位和分类过程中分别获得了第一名和第二名。我们还表明，我们的表示... 摘要论文地址在这项工作中，我们研究了卷积网络深度在大规模的图像识别环境下对准确性的影响。我们的主要贡献是使用非常小的（3×3）卷积滤波器架构对网络深度的增加进行了全面评估，这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。这些发现是我们的ImageNet Challenge 2014提交的基础，我们的团队在定位和分类过程中分别获得了第一名和第二名。我们还表明，我们的表示...
- CANN第四期训练营大作业例题复现 CANN第四期训练营大作业例题复现
- 因为语音和文字之间序列不一一对应，因此我们在前面博文中并未直接使用语料去端到端训练语音识别模型，但是如果能找到一个比较合适的数学形式来表示输入输出，则可以端对端实现语音识别。本文介绍了常见的几种端对端结构的语音识别模型，包括CTC和注意力机制等。 因为语音和文字之间序列不一一对应，因此我们在前面博文中并未直接使用语料去端到端训练语音识别模型，但是如果能找到一个比较合适的数学形式来表示输入输出，则可以端对端实现语音识别。本文介绍了常见的几种端对端结构的语音识别模型，包括CTC和注意力机制等。
- Google推出无数据的神经架构搜索Data-Free Neural Architecture Search，宣布进入data-free nas时代？ Google推出无数据的神经架构搜索Data-Free Neural Architecture Search，宣布进入data-free nas时代？
- 一、实验目的了解马尔科夫抽样与M-H抽样的原理，阅读已有程序代码实现通过MCMC方法获取指定概率分布模拟样本的目的。二、实验内容： 阅读已有程序代码。理解程序中接受-拒绝抽样的原理。 3.了解马尔科夫抽样与M-H抽样的原理。 4. 实现MCMC方法获取指定概率分布的模拟样本。 5. 输出获取样本的概率分布图，验证结果。三、实验程序及结果clear; close all... 一、实验目的了解马尔科夫抽样与M-H抽样的原理，阅读已有程序代码实现通过MCMC方法获取指定概率分布模拟样本的目的。二、实验内容： 阅读已有程序代码。理解程序中接受-拒绝抽样的原理。 3.了解马尔科夫抽样与M-H抽样的原理。 4. 实现MCMC方法获取指定概率分布的模拟样本。 5. 输出获取样本的概率分布图，验证结果。三、实验程序及结果clear; close all...
- 不同于NAS-FPN搜索FPN和NAS-FCOS对FPN和prediction head同时搜索，本文直接对大头backbone进行搜索。 不同于NAS-FPN搜索FPN和NAS-FCOS对FPN和prediction head同时搜索，本文直接对大头backbone进行搜索。
- 网络结构可以被认为是另外需要确定的参数。既然每层可以被认为是前一层的特征抽取器，每层节点的数量应该足够大以获取本质的模式。这在模型低层是特别重要的,因为开始层的特征变化更大，它需要比其他层更多的节点来模拟特征模式。然而，如果每层节点太大，它容易在训练数据上过拟合。一般来说，宽且浅的模型容易过拟合，深且窄的模型谷易欠拟合。事实上，如果有一层很小(通常称为瓶颈),模型性能将有重大的下降，特别是瓶... 网络结构可以被认为是另外需要确定的参数。既然每层可以被认为是前一层的特征抽取器，每层节点的数量应该足够大以获取本质的模式。这在模型低层是特别重要的,因为开始层的特征变化更大，它需要比其他层更多的节点来模拟特征模式。然而，如果每层节点太大，它容易在训练数据上过拟合。一般来说，宽且浅的模型容易过拟合，深且窄的模型谷易欠拟合。事实上，如果有一层很小(通常称为瓶颈),模型性能将有重大的下降，特别是瓶...
- 本文的主要目的是带想用ModelArts的同学过遍ModelArts的基础功能并部署属于你自己的模型在云上，并且能够本地通过python代码调API的方式在线推理【本文以tensorflow 1.13为例】。 本文的主要目的是带想用ModelArts的同学过遍ModelArts的基础功能并部署属于你自己的模型在云上，并且能够本地通过python代码调API的方式在线推理【本文以tensorflow 1.13为例】。
上滑加载中
推荐直播
-
华为云码道-玩转OpenClaw，在线养虾2026/03/11 周三 19:00-21:00
刘昱，华为云高级工程师/谈心，华为云技术专家/李海仑，上海圭卓智能科技有限公司CEO
OpenClaw 火爆开发者圈，华为云码道最新推出 Skill ——开发者只需输入一句口令，即可部署一个功能完整的「小龙虾」智能体。直播带你玩转华为云码道，玩转OpenClaw
回顾中 -
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中
热门标签