深度学习

最新推荐文章于 2025-12-06 22:45:43 发布
原创 最新推荐文章于 2025-12-06 22:45:43 发布 · 187 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

本文探讨了2019年深度学习框架的排名，重点关注了前10名。同时，深入解析了卷积神经网络（CNN）的架构及其在人脸识别和物体检测中的应用。通过在低配置电脑上部署darknet实现人脸检测，展示了CNN的实际操作。此外，还提供了相关数据集的下载链接，供读者进行实践。
基于深度学习的端到端定位：取代传统SLAM？
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
10-19 15万+
基于深度学习的端到端定位：取代传统SLAM？ ，人工智能，计算机视觉，大模型，AI，本文围绕传统 SLAM 与基于深度学习的端到端定位展开，先介绍 SLAM 的定义、发展及应用场景，再详解激光 SLAM 和视觉 SLAM 的原理、特点与代码示例，分析传统 SLAM 的局限性。同时阐述深度学习在定位中的应用，包括基础、端到端定位原理及优势。通过对比两者的精度、鲁棒性和计算资源需求，探讨深度学习端到端定位取代传统 SLAM 的挑战，以及两者融合的趋势，最后展望未来技术发展方向、应用场景拓展和行业影响。
精选资源
Python深度学习基于Pytorch深度学习PDF
03-13
深度学习是一种机器学习的子领域，它受到人脑中神经网络的启发，通过建立多层的处理单元来学习数据的高级特征。近年来，深度学习已经成为推动人工智能快速发展的关键技术之一，其在模式识别、预测分析、自然语言理解...
PyTorch 深度学习入门
热门推荐
努力是为了站在万人之中，成为别人的光
06-14 2万+
深度学习是机器学习的一个分支，其中编写了模仿人脑功能的算法。深度学习中最常用的库是 Tensorflow 和 PyTorch。由于有各种可用的深度学习框架，人们可能想知道何时使用 PyTorch。以下是人们可能更喜欢将 Pytorch 用于特定任务的原因。Pytorch 是一个开源深度学习框架，带有 Python 和 C++ 接口。Pytorch 位于 torch 模块中。在 PyTorch 中，必须处理的数据以张量的形式输入。如果您的系统中安装了 Anaconda Python.........
深度学习简介
qq_63913621的博客
02-28 1857
什么是深度学习？所谓的深度学习就是利用深度人工神经网络进行自动分类预测和学习的技术。因此，深度学习就等于深度人工神经网络，如下图：图中的黑色圆圈表示一个人工神经元，连线表示人工神经突触，大家看下面这幅图。信息从最左侧的节点传入，经过中间层节点的加工，最终通过最右侧的四个节点输出，其中，神经网络从左到右排列经过多少层就成为有多少层。一般认为超过三层的就可以称为深度神经网络。从这个图（来源于百度搜图）,可以知道最左侧对应输入层，最右侧对应输出层，中间成为隐层，看上图人脑里面神经元和神经突触。
深度学习介绍
2301_77698138的博客
09-12 2108
定义：深度学习是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。它是机器学习的一个分支，通过学习样本数据的内在规律和表示层次，使机器能够像人一样具有分析学习能力，识别文字、图像和声音等数据。核心：深度学习的核心在于构建多层非线性处理单元（即神经元）的网络结构，这些网络可以从原始数据中自动提取特征并进行学习。
简述深度学习
JasonH2021的博客
07-07 3978
介绍了深度学习的基本概念，常见的算法，应用场景，优势劣势，建模步骤，代码案例和前沿的研究课题等
深度学习：入门简介
2302_76756558的博客
08-22 5698
深度学习（Deep Learning, DL）是机器学习（Machine Learning, ML）的一个重要分支，核心是通过模拟人类大脑神经元的连接方式，构建多层神经网络来自动学习数据中的特征和规律，最终实现预测、分类、生成等任务。它摆脱了传统机器学习对 “人工设计特征” 的依赖，能直接从原始数据（如图像、文本、音频）中挖掘深层信息，是当前人工智能（AI）技术爆发的核心驱动力。
深度学习图解 安德鲁
中二骚年的博客
01-13 2014
链接：https://pan.baidu.com/s/10Nbe2zg4KJWoRNjHW_KsZQ?–来自百度网盘超级会员V1的分享。网上一堆要付钱的，给予鄙视，
深度学习通俗简述
weixin_63053052的博客
03-30 5311
特征表示学习 简述： 特征表示学习是一套给机器灌入原始数据，然后能自动发现需要进行检测和分类的表达的方法 。 传统机器学习算法： 传统的机器学习算法，需要人为设计特征。比如要用线性回归预测一所房子的价格，我们会人为划分出面积、地段等要素，这些要素就是我们人为划分出来的特征。 但是，人为划分出来的特征往往是是不足够的，而且很多时候并不准确。比如我们划分除了面积和地段，却遗漏了房屋年限这一也很重要的要素，即使我们经过精确的统计和计算划分出了上百个特征，也依然存在遗漏或不准确的可能。 深度学习算法：
Python 深度学习与强化学习
expert_joe的博客
11-30 1万+
深度学习
深度学习基础
向着光的那方
01-22 4424
目录 1. 深度学习基础 1.1 本质1——特征自动学习 1.3 本质3——深层网络结构 1.4 深度学习 vs. 神经网络 1.5 深度学习的本质 1.6 深度学习的训练方法 2. 自动编码器 2.1 自动编码器与特征提取 2.2 无监督的特征学习过程 2.3 深度学习的特征学习过程 2.4 自动编码机 3. 卷积神经网络 3.1 本质 3.2 卷积 3.3 池化 1. 深度学习基础 1.1 本质1——特征自动学习 传统的机器学习方法: 良好的特征表达，对最终...
PyTorch深度学习实战
08-29
本书系统讲解使用PyTorch构建深度神经网络的...适合具备Python基础、希望快速上手深度学习应用的开发者与学习者。书中结合理论与实战，引导读者开发图像分类、文本生成与情感分析等智能应用，是进入AI领域的实用指南。
精选资源
吴恩达-深度学习-课后作业-答案与总结
09-26
深度学习作为当今人工智能领域中最激动人心的研究方向之一，已经广泛应用于图像识别、语音识别、自然语言处理、自动驾驶等多个领域，并持续推动着技术革新与产业变革。吴恩达教授作为该领域内的知名专家，在其深度...
【人工智能】【深度学习】④ Stable Diffusion核心算法解析：从DDPM到文本生成图像的飞跃
xiezhiyi007的专栏
12-02 1371
Stable Diffusion是AI绘画领域的革命性技术，其核心基于扩散模型：通过"拆快递"式的噪声添加（前向扩散）和"拼乐高"式的逐步去噪（逆向过程），实现从噪声到图像的构建。本文用快递分拣、乐高拼装等生活化类比，解析CLIP文本编码器（翻译文字指令）、VAE（图像压缩）和U-Net（智能拼图）三大核心组件。相比传统GAN模型，它避免模式崩溃，提升语义理解能力，成为文本生成图像的黄金标准。通过代码与架构图解析，帮助开发者快速掌握这项技术的核心逻辑。
深度学习理论推导--多元线性回归
weixin_43719312的博客
12-02 760
本文介绍了多元线性回归的矩阵表示与求解方法。首先通过矩阵运算展示了如何从一元线性回归扩展到多元情形，推导出预测值的矩阵表达式。然后定义了残差平方和(RSS)的矩阵形式。最后详细阐述了利用链式法则对参数求导的过程，说明如何通过最小化残差平方和来求解最优参数。全文以矩阵运算为核心，展示了多元线性回归的简洁数学表达和求解思路。
深度学习理论推导--梯度下降法
weixin_43719312的博客
12-02 935
本文通过小猪体重增长的例子，生动解释了梯度下降法的原理。首先回顾线性回归的求解方法（最小二乘法和正规方程），指出非线性问题的局限性。然后以二元函数z=1+x+2y为例，通过微分推导证明：在微观尺度下，当增量方向与梯度方向一致时，函数增长最快。文中详细分析了不同方向上的增量变化，并用向量运算说明梯度方向的重要性。最后指出梯度向量∇z=[1,2]^T即为函数增长最快的方向，为后续讲解梯度下降法奠定了基础。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
云雾J视界的博客
12-04 895
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1156
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
目标检测：视觉系统中的CNN-Transformer融合网络
最新发布
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
12-06 4万+
RTD-Net是一个单阶段检测网络，它直接从输入图像预测目标的位置和类别，然后通过非最大抑制（NMS）处理来获取最终检测结果。网络设计考虑了检测精度和速度的平衡，特别适用于资源受限的嵌入式设备。
深度学习框架PyTorch实践指南
由于提供的信息十分有限，并没有详细的内容描述，仅有一个文件名“d2lzh_pytorch.zip”，一个标题“d2lzh_pytorch”，一个描述“d2lzh_pytorch”以及一个标签“深度学习”，可以推测这个文件可能与深度学习框架...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值