OpenAI CTO、吴恩达夫人……AI 领域值得关注的「她」力量，个个都是女强人

HyperAI超神经 HyperAI超神经 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1k累计阅读 1.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄7年
关注
原创 2023-03-08 13:22:38 1.1k 阅读 AI 写同款· GEO 优化 ›
复旦大学黄萱菁：自然语言处理中的表示学习 不到现场，照样看最干货的学术报告！嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现... 阅读详情

内容一览： 「她时代」来临，一些有着强大信念与热情的女性，纷纷投身至 AI 领域，成为不可或缺的存在与力量。值此国际妇女节到来之际，HyperAI超神经盘点了领域内令人印象深刻的杰出的女性代表。

关键词：国际妇女节  人工智能  杰出女性  

技术本无关性别，一个不争的事实却是，目前从事科技领域的女性占比仍然明显少于男性。聚焦到 AI 领域，AI Now 研究所曾在 2019 年发布一份报告称大约 80% 的人工智能研究教授是男性，并且在 Facebook 和 Google 的人工智能研究人员中，女性仅仅占比 15%。

虽然女性从业者比例少，但在其中却不乏佼佼者，她们引领着技术创新，逐渐成为行业变革的中坚力量。值此国际妇女节到来之际，HyperAI超神经特别汇总了在 AI 领域取得亮丽成果的「她」力量，以期鼓舞更多女性投身 AI 领域研究中。

注：以下排名不分先后。

eb2a69c1d8b38c9b3814ef4a66439402.jpeg

Mira Murati，现任 OpenAI CTO。她毕业于常青藤名校美国达特茅斯学院，获得工程学学士学位。达特茅斯学院是一所私立常春藤盟校研究型大学，世界顶级学术机构之一。

Mira 于 2018 年 6 月加入 OpenAI，担任应用人工智能和伙伴关系副总裁。2022 年 5 月，Mira Murati 接任 CTO 一职，并领导 ChatGPT 的开发。据 OpenAI 的官宣，她被选为 CTO 的原因是：在过去 18 个月出色地领导了 OpenAI 的产品研究和合作，如 DALL·E。

LinkedInhttps://www.linkedin.com/in/mira-murati-4b39a066

Twitterhttps://twitter.com/miramurati

5038c0e695753a7d7daabad5194d2e16.jpeg

Carol Reiley，Drive.ai 前总裁兼联合创始人。她曾在约翰·霍普金斯大学攻读医学博士和计算机博士，研究方向是生物医学方向的机器人应用。Carol Reiley 被称为机器人之母，在过去的 20 年里，她设计的产品遍及海陆空领域，包括水下机器人、太空卫星系统以及手术外科机器人。

当然，值得一提的是，Carol Reiley 还是 AI 领域领军人物吴恩达的夫人。

LinkedInhttps://www.linkedin.com/in/carol-reiley-7a91072

Twitterhttps://twitter.com/robot_MD

b4197032c44e511b3378e01fca57e3ac.jpeg

李飞飞 (Feifei Li)，美国国家工程院院士、美国国家医学院院士、美国艺术与科学院院士，美国斯坦福大学首位红杉讲席教授，以人为本人工智能研究院院长，AI4ALL 联合创始人及主席，Twitter 公司董事会独立董事。

目前，李飞飞在顶尖期刊和会议上发表了 200 多篇科研论文。除此之外，她最惹人注目的成果是带领团队发布了 ImageNet。ImageNet 由李飞飞等研究员在 CVPR 2009 一篇论文中推出，其数量之大，质量之高都是空前的。它包含标注过的 1,500 万张图片，涵盖 22,000 种类别，旨在教计算机认识这个世界的多样性。毫不夸张地说，ImageNet 是计算机视觉识别领域的标杆，引领了行业走向优质数据集的时代。

LinkedInhttps://www.linkedin.com/in/fei-fei-li-4541247/

Twitterhttps://twitter.com/drfeifei

PWShttps://profiles.stanford.edu/fei-fei-li

dbb3fad60b4edee124e0d879b83143a0.jpeg

宋晓东 (Dawn Song)，Oasis Labs 的创始人兼 CEO，也是加州大学伯克利分校计算机科学系教授。她花费了大量时间研究和构建安全和隐私技术，特别在软件、网络、分布式系统、应用加密、区块链、智能合约和机器学习领域。

曾获麦克阿瑟天才奖、斯隆研究奖，入榜 2009 年度麻省理工学院《 MIT 技术评论》评选的 35 位 35 岁以下「世界杰出青年创新家」，2018 年当选国际电气和电子工程师协会会士 (IEEE Fellow)。她是计算机安全领域中论文被引用次数最多的学者，因而获得计算机安全方面的认可。

LinkedInhttps://www.linkedin.com/in/dawn-song-51586033/

Twitterhttps://twitter.com/dawnsongtweets

PWShttps://people.eecs.berkeley.edu/~dawnsong/

8ede5568eb6dfeeddafdd99edae2b8a1.jpeg

黄萱菁 (Xuanjing Huang)，复旦大学计算机科学技术学院教授、博士生导师，复旦大学自然语言处理实验室学术带头人。主要从事人工智能、自然语言处理和信息检索研究，研究工作聚焦自然语言语义表示、基础工具、通用模型、鲁棒性和可解释性分析等任务。

目前，她在国际重要学术刊物和会议发表论文 150 余篇，被引 14,000 余次，获 ACL 2017 杰出论文奖、COLING 2018 领域主席推荐奖、CCL 2019 最佳论文奖；获人工智能全球最具影响力提名学者、人工智能全球女性学者、福布斯中国科技女性等多个奖项。

LinkedInhttps://www.linkedin.com/in/xuanjing-huang-a333b69/

2b990c44ee2da48f6c7cd69c2c63f5c9.png

石建萍 (JianpingShi)，香港中文大学博士，商汤科技研究总监。2011 年参与香港博士研究生奖学金计划到香港中文大学就读，2015 年取得计算机科学与工程学系博士学位，曾发表十多篇学术论文。现供职于商汤科技，领导逾五十人的研究团队，专注开发自动驾驶系统及先进驾驶辅助系统 (ADAS) 等。

2019 年入选福布斯中国 30 岁以下精英榜；2022 年入选福布斯中国科技女性 50 榜单。

LinkedInhttps://www.linkedin.com/in/jianping-shi-2451a35a/?originalSubdomain=cn

PWShttps://shijianping.me/

076e57da789657c6d87f285df2aaea4f.jpeg

Jennifer Chayes，加州大学伯克利分校计算机、数据科学和社会部门的副教务长，信息学院院长，电子工程和计算机科学、信息、统计以及数学专业的教授。

Jennifer 是美国科学促进会、菲尔兹研究所、计算机械协会、美国数学协会和数学界妇女协会的会员。她发表了大约 150 篇学术论文同时手握 30 多项专利，研究领域包括计算中的相变、网络的结构和动态特性、图论、图算法以及计算生物学。

Jennifer 在微软工作了近 23 年，最近担任技术研究员 (CVP) 以及三个跨学科实验室的联合创始人、董事总经理。

LinkedInhttps://www.linkedin.com/in/jennifer-chayes-6328145/

Twitterhttps://twitter.com/jenniferchayes

697933785a390080205ad795937b08be.png

Siddha Ganju ，NVIDIA 自动驾驶架构师，曾入选 30 位 30 岁以下福布斯榜单。Siddha 毕业于卡内基梅隆大学，之前供职于 Deep Vision，为资源紧缺的边缘设备开发了深度学习模型。

作为一名 AI 领域的专家，她还在美国国家航空航天局 (NASA) 指导团队，并在一些国际科技竞赛中担任评委。她曾是多个会议的特邀发言人和主要发言人，同时获封 2013 年印度 IET 青年妇女代表。除此之外，Siddha 还是 Mozilla 科学实验室开放领导团队的成员。

LinkedInhttps://www.linkedin.com/in/sidgan/

Twitterhttps://twitter.com/SiddhaGanju

PWShttp://sidgan.github.io/siddhaganju

4c35e64422c4e55e36d584703fd54939.jpeg

Rachel Thomas，Fast.ai 的联合创始人。她在杜克大学获得数学博士学位，2021 年被福布斯评选为 AI 领域 20 位不可思议的女性之一。同时，Rachel 是一位颇受欢迎的作家和主题演讲者，演讲主题包括数据伦理、人工智能可访问性和机器学习中的偏见。她的作品已被翻译成中文、西班牙语、韩语和葡萄牙语，被近百万人阅读。

LinkedInhttps://www.linkedin.com/in/rachel-thomas-942a7923/

Twitterhttps://twitter.com/math_rachel

PWShttp://www.fast.ai/about/#rachel

c505f0d216a238d3685e5a855efe429a.png

Mariya Yao，Metamaven CTO 和 CPO。作为一名人工智能设计师，她设计和构建了由现代大数据、人工智能和机器学习实现的产品。Mariya 还是企业人工智能高管出版物和社区 TOPBOTS 的主编，与人合著了《应用人工智能：商业领袖手册》一书，并为福布斯撰写了关于人工智能和人类的相互作用的文章。

通过 Metamaven 和 TOPBOTS，她与来自谷歌、IBM Watson、百度、PayPal、Loreal、WPP、LinkedIn、Oracle、LVWH 等众多公司的高管合作，并在商业战略、产品设计以及 ML 计划的技术实施方面发挥自己的作用。

Mariya 热衷人工智能教育的民主化，并在 SxSW、CES 等国际会议和私人企业活动中发表演讲。

LinkedInhttps://www.linkedin.com/in/mariyayao/

Twitterhttps://twitter.com/thinkmariya

PWShttps://mariyayao.com/

写在最后

正如李飞飞曾谈到，「我来自技术圈，从斯坦福的学生，到年轻的谷歌人，我曾看到许多非常有天赋的年轻女性，都在寻找自己的使命。」

技术是当今时代的关键词，它无处不在，主宰着我们生活的世界。不仅是 AI 领域，整个技术领域都处于一个绝好的时代，相信在新的技术浪潮中，依然会涌现出更多女性工程师身影，她们将用自己的智慧为 AI 领域乃至整个科技圈注入新的活力。

最后，HyperAI超神经祝广大女性工程师们国际妇女节快乐！

参考链接：

[1]https://aijourn.com/20-ai-influencers-you-need-to-be-following/

[2]https://www.likecs.com/show-204914381.html

[3]https://www.aminer.cn/women_in_ai

—— 完 ——

收录于
Women TechMakers

当前文章被收录于：

Women TechMakers
3 篇文章 0 人学习
订阅专栏 查看详情
标签
#人工智能 #节日 #妇女节
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。
吴恩达李飞飞Hinton课程分享 吴恩达的2014 斯坦福machine learning，李飞飞的CS231n，Hinton的Nerual Network for Machine learning，都是中文字幕，（英文的不太好看懂），有课件，资源太大，放不下，自己的百度云分享，如果链接失效的话发我邮箱394001610@qq.com。 立即下载

相关推荐

从零到一：手把手教你用SAM-BA工具完成嵌入式系统烧录

本文详细介绍了如何使用SAM-BA工具完成嵌入式系统烧录的全过程，包括环境搭建、硬件连接、Bootloader烧录以及完整系统镜像的烧录步骤。针对常见问题提供了实用的排查指南，并分享了批量烧录和自定义脚本的高级技巧，帮助开发者高效完成嵌入式系统开发。

weixin_42523792的博客 381

太牛了！AI大佬的课程！吴恩达、李飞飞、李宏毅、Hinton、LeCun...

本文精心梳理了AI顶级大佬教授的人工智能课程，涵盖了深度学习、机器学习等多个领域的前沿内容。这些课程将引领您深入了解决策树、朴素贝叶斯、逻辑回归、神经网络和深度学习等核心知识点，同时还将探索贝叶斯学习、支持向量机和核方法、聚类、无监督学习等多元化的机器学习领域。此外，还有学习提升算法、强化学习以及学习理论等高级课程，为人工智能领域的深入研究和应用打下坚实基础。吴恩达（Andrew Ng）的教学视频是深度学习领域备受推崇的学习资源之一。

2401_85343303的博客 2423

C# WinForm项目目录结构详解：从入门到精通（附常见问题解决方案）

本文详细解析了C# WinForm项目目录结构，从解决方案与项目基础结构到核心文件功能，再到关键目录解析，帮助开发者快速掌握WinForm项目组织方式。文章还提供了常见问题解决方案，如引用丢失、配置文件不生效等，是WinForm开发从入门到精通的实用指南。

dream的博客 647

深夜动荡再现：OpenAI CTO、两位核心骨干官宣离职，Altman被曝将首次获7%股权

架构师大咖 架构师大咖，打造有价值的架构师交流平台。分享架构师干货、教程、课程、资讯。架构师大咖，每日推送。公众号该公众号已被封禁需要顶尖人才加持的人工智能赛道，OpenAI 的 AI 工程师们正在竞相出走。就在今天，OpenAI CTO Mira Murati、OpenAI 首席研究官 Bob McGrew 和研...

<sdffdsfsdfdfs>sfsfsfsdfsdffds</sdfsDS>Fsd 208

解锁笔记智能对话：手把手配置 Obsidian Copilot 插件与硅基流动模型

本文详细介绍了如何为Obsidian笔记软件配置Copilot插件，并接入硅基流动AI模型，从而为个人知识库添加智能对话能力。通过手把手教程，指导用户完成插件安装、API Key获取、模型配置及索引构建，最终实现基于个人笔记内容的深度语义问答，提升知识管理效率。

corn8的博客 613

从‘能看’到‘好看’：用Seaborn调色板让你的热力图在PPT和论文中脱颖而出

本文探讨如何利用Seaborn调色板提升热力图在PPT和论文中的视觉效果，从视觉心理学和场景适配角度出发，提供学术与商业场景下的配色方案和实战代码。通过优化色彩选择，使数据可视化更具专业性和吸引力，帮助读者快速理解关键信息。

weixin_30755393的博客 246

AI大神系列：吴恩达Agentic Flow未来趋势

最喜爱的华裔 AI 大神吴恩达、李飞飞。

2301_76161259的博客 2594

Frenet坐标系下动态街道场景的最优轨迹生成

本文详细解读了Lattice Planner

BigDavid123的博客 2392

计算机视觉华人史：权龙与他的学生们

他们见证了 3D 视觉的崛起故事，也是故事的本身。作者 | 赖文昕编辑 | 陈彩娴「简单，是终极的复杂。」1群星闪耀时1988 年的冬天，一辆火车从法国出发、开往卢森堡。火车上有一行四人，来自法国南锡，他们精神焕发，兴高采烈地讨论着即将开始的旅程。从南锡到到卢森堡，他们将在卢森堡乘坐飞机，飞往美国佛罗里达参加第二届国际计算机视觉大会 ICCV。他们中，有唯一一位来自中国的东方面孔，内心尤为激动——...

深度学习技术前沿 715

3D点云-CVPR 2020-PF-Net: Point Fractal Network for 3D Point Cloud Completion

是一种专门为三维点云补全设计的深度学习模型。点云补全实际上和图片补全是一个逻辑，都是采用GAN模型的思想来进行补全，在图片补全中，将部分像素点删除并且标记，然后卷积特征提取预测、判别器判别，来训练模型，生成的像素点与原来像素点比较完成模型的训练。而PF-Net就是采用GAN的思想在3D点云上的应用。

404 Not Found 2369

新手必看！一步步教您如何获取可用的D音Cookie（为什么我复制的D音Cookie无法正常使用？）

新手必看！一步步教您如何获取可用的抖音Cookie（为什么我复制的抖音Cookie无法正常使用，无法下载无水印视频？）

XiaoqiangClub的博客 1491

一口气看完，吴恩达和OpenAI联合出品的ChatGPT Prompt课程（一）

另一种思考方式是，如果你给模型一个过于复杂的任务，以至于它无法在短时间内或用少量文字完成，它可能会做出猜测，而这很可能是错误的。这使你能够改进你的想法和提示，重复这个过程，直到你找到一个适合你应用的提示。如果你想生成新闻提醒，例如处理新闻，并且你非常喜欢NASA的工作，你可以构建一个系统，将这些信息放入字典中，每当出现NASA新闻时，它会打印一条提醒：“新的NASA故事。中，如果你想确定一段文本的情感是正面还是负面，你需要收集一个带标签的数据集，训练一个模型，弄清楚如何将其部署到云端，然后进行推理。

m0_46568584的博客 1068

提升YOLOv8性能：用Swin Transformer替换Backbone的详细实现与分析【YOLOv8】

YOLOv8作为目标检测领域的最新版本，在速度和精度之间取得了良好的平衡。然而，随着计算机视觉任务的复杂性不断增加，YOLOv8的标准主干网络（Backbone）在处理高分辨率图像或多尺度目标时，可能存在一定的局限性。为了进一步提升YOLOv8的性能，我们可以引入Swin Transformer替换其主干网络，以增强模型的全局感知能力和多尺度特征提取能力。本文将详细介绍如何在YOLOv8中用Swin Transformer替换原有的Backbone，提供代码示例，并深入探讨其中的原理和效果。

博客 1717

吴恩达与 OpenAI 强强联手，《ChatGPT 提示工程》中英教程，来了！（附脑图笔记）

目前一些科技企业正在招聘大量的 AI 提示工程师，因为提示工程领域相对较新，要找到合格的候选人并不容易，但是一旦掌握就有先发制人并获得高薪的机会。为了帮助大家更好地掌握 Prompt 工程技能，DeepLearning.ai 的创始人吴恩达和 OpenAI 的开发者 Iza Fulford 合作推出了一门面向开发者的技术教程，名为《ChatGPT Prompt Engineering for Developers》。元，这里有全国最多的 AI 极客、全国最多的行业大佬，以及最好的课程内容。

qq_36452584的博客 1608

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

ChatGPT 背后真正的英雄：OpenAI 首席科学家 Ilya Sutskever 的信仰之跃

导读：ChatGPT的横空出世万众瞩目，但我们不应忘记在它背后默默无闻的天才。Ilya Sutskever是OpenAI的联合创始人和首席科学家。正是在他的领导下，OpenAI在开发尖端技术和推动人工智能领域的发展方面取得了重大进展。在这篇文章中，我们将探讨二十年间，Sutskever是如何从一个年轻的研究人员一步步走到人工智能领域的领导人物之一的。无论你是人工智能爱好者，还是研究人员，或者仅仅是...

程序人生的博客 7513

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

吴恩达与 OpenAI 强强联手，《ChatGPT 提示工程》中文版教程，来了！

公众号关注“GitHubDaily”设为 “星标”，每天带你逛 GitHub！ChatGPT 上线至今，已经快 5 个月了，但是不少人还没真正掌握它的使用技巧。其实，ChatGPT 的难点，在于 Prompt（提示词）的编写，OpenAI 创始人在今年 2 月时，在 Twitter 上说：「能够出色编写 Prompt 跟聊天机器人对话，是一项能令人惊艳的高杠杆技能」。因为从 ChatGPT 发布...

GitHubDaily 2729

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2019 AI开发者大会

2019 AI开发者大会(AI ProCon 2019)是由中国IT社区优快云主办的AI技术与产业年度盛会。多年经验淬炼，如今蓄势待发：2019年9月6-7日，大会将有近百位中美顶尖AI专家、知名企业代表以及千余名AI开发者齐聚北京，进行技术解读和产业论证。我们不空谈口号，只谈技术，诚挚邀请AI业内人士一起共铸人工智能新篇章！

她力量系列一丨复旦大学黄萱菁教授：期待更多女性领会计算机科学的奥妙

文章转载丨社媒派SMP 作者：陈姝 学者主页：https://www.aminer.cn/profile/xuanjing-huang/542a3923dabfae646d541b38 平实而深刻的热爱 谈及当初为何会选择人工智能，黄萱菁打开了记忆大门。20多年前，她的导师吴立德教授给了她很多启发。吴立德是复旦大学首席教授，理论功底非常深厚。黄萱菁从导师身上学到了什么是研究，如何通过研究得到学术乐趣。当时吴老师的研究方向围绕人工智能布局，包括计算语言学和计算机视觉，并不算热门，而如今，人工智能已是炙手可.

AI_Conf的博客 911

资源 | 李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程，你收集全了吗？

翻译 | AI科技大本营参与 | 刘畅编辑 | Donna目前，深度学习和深度强化学习已经在实践中得到了广泛的运用。资源型博客sky2learn整理了15个深度学习和深入强化学习相关的在线课程，其中包括它们在自然语言处理（NLP），计算机视觉和控制系统中的应用教程。 这些课程涵盖了神经网络，卷积神经网络，循环网络和其变体，训练深度网络的困难，无监督表示学习，深度信念网络，深玻尔兹曼机器，深度Q学习

AI科技大本营 7619

吴恩达、李飞飞等大咖为AI公司数据问题支招

来源：新智元 作者：胡祥杰 本文长度为5633字，建议阅读6分钟 本文为你介绍吴恩达、李飞飞等6位走在AI研究前线的大人物和机构负责人对“数据”的见解。 【导读】作为人工智能发展的三大驱动力之一，数据的重要性毋庸置疑。在硅谷拜访了李飞飞、弓峰敏、吴恩达等人工智能领域的大咖，走访OpenAI和斯坦福机器人实验室等人工智能研究前沿重地之后，我们更深刻地看到了“数据”的重要性

THU数据派 962

2018年AI趋势盘点（02）| Hinton、吴恩达、李飞飞…… | 解读行业

善用智能之道，请您点击上方蓝色字体，欢迎关注：九三智能控懒人阅读：2017年被定义为AI的史诗年，九三觉得17年确实引爆了AI，同时泡沫也存在不少，18年的AI将更加务实技术更加接近真实场景。可以确认的一点是：认知决策能力的升级将对所有行业带来冲击，忽略这个“灰犀牛”的企业终将被淘汰。             2017年圣诞来临之际，更多机构和大咖们对17年的AI进行回顾并展望18年进展，都有哪些

九三智能控 2410

一年学遍吴恩达、李飞飞、周志华等16大精品课！（ML、CV、NLP一应俱全）

最近几个月，互联网公司缩减甚至停止社会招聘的消息不绝于耳。在各大媒体平台上，都被“互联网行业的裁员潮”刷屏了。西瓜书训练营的一个学生找到我说：“老师，我现在特别迷茫，行业...

Paper weekly 1497

分享丨李飞飞、吴恩达、Bengio等人的顶级深度学习课程

目前，深度学习和深度强化学习已经在实践中得到了广泛的运用。整理了深度学习和深入强化学习相关的在线课程，其中包括它们在自然语言处理(NLP)，计算机视觉和控制系统中的应用教程。吴恩达：深度学习专项这系列课程侧重于讲解深度学习的基础和在不同领域的运用方式，如医疗健康，自动驾驶，手语阅读，音乐生成和自然语言处理等。课程共包含五个子课程，有视频讲座。同时，课程用户将获得使用TensorFlow解决实际问题

人工智能爱好者俱乐部 6595

【2020年高被引学者】 黄萱菁 复旦大学

【2020年高被引学者】黄萱菁，复旦大学计算机科学技术学院教授，EMNLP主席。研究兴趣包括自然语言处理，信息检索，人工智能，深度学习和数据密集型计算。 2020年发表论文：33 共发表论文：336 论文引用数：5471 关注作者及了解论文情况：https://www.aminer.cn/profile/xuanjing-huang/542a3923dabfae646d541b38 #AMiner##学者# ...

AI_Conf的博客 377

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 224
上一篇： 交叉编译和 RPC
下一篇： 活动回顾 | 2023 Meet TVM 首聚上海，百余位工程师共话机器学习编译的现在和未来
点赞 2
评论 0
书签 书签 1
HyperAI超神经
HyperAI超神经
博客等级 码龄7年 8872粉丝 1753原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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