- 博客(456)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 TensorFlow深度学习实战（13）——神经嵌入详解
神经嵌入 (Neural Embedding) 是一种通过神经网络模型将离散的符号(如词语、字符、图像等)映射到低维连续向量空间中的技术。它属于更广泛的嵌入 (Embedding) 技术范畴，在深度学习中起着关键作用。神经嵌入通过在神经网络训练过程中学习到的向量表示，捕捉了输入数据的潜在特征和语义信息。
2025-03-31 08:18:37
825
20
原创 TensorFlow深度学习实战——利用词嵌入实现垃圾邮件检测
在本节中，我们将介绍如何在一维卷积神经网络 (Convolutional Neural Network, CNN) 中使用该矩阵，实现垃圾邮件检测器将短信 (Short Message Service, SMS) 或文本消息分类为非垃圾邮件 (ham) 或垃圾邮件 (spam)。
2025-03-27 08:49:15
1465
22
原创 PyTorch生成式人工智能实战：从零打造创意引擎
专栏《PyTorch 生成式人工智能实战》深入探讨了生成式人工智能，这项技术通过其高效和快速的内容创作能力，正在重塑众多行业。具体来说，将学习如何使用生成式模型来创建各种形式的内容：数字、图像、文本和音频。此外，还将学习从零开始构建这些模型，以便深入理解生成式 AI 的内部工作原理，我们将使用 Python 和 PyTorch 来构建、训练和使用这些模型。
2025-03-24 08:48:14
3283
22
原创 物种分化在进化拓扑中的作用
在本节中，我们将探讨 NEAT 如何使用“物种分化 (speciation) ”的特性来跟踪种群多样性。物种分化源自生物学，是一种描述相似的有机体如何进化出独特特征以成为不同物种的方法。达尔文首先提出了物种的概念，它是一种描述地球上生命进化过程的方法。
2025-03-21 12:58:23
1034
11
原创 TensorFlow深度学习实战（12）——词嵌入技术详解
词嵌入的核心思想是，通过将词语表示为稠密的向量，使得计算机可以更有效地处理和理解文本中的语义关系。在本节中，我们学习了单词分布式表示的概念及其实现，包括静态嵌入和动态嵌入，实现了 Word2Vec 和 GloVe 模型，并介绍了如何使用 Gensim API 探索嵌入空间。
2025-03-18 11:50:50
1567
26
原创 图神经网络实战——总结 | 图神经网络展望
短短数年时间，图神经网络 (Graph Neural Networks, GNN) 已经成为一种重要的深度学习架构，并且已经广泛应用于各个行业。通过本专栏的学习，能够对图学习和 GNN 领域有一个全面的了解，并能为各种应用设计、构建GNN模型。
2025-03-17 08:31:52
1207
4
原创 TensorFlow深度学习实战（11）——风格迁移详解
使用风格迁移算法生成图像的核心思想是通过获取损失和梯度变化值以生成风格迁移图像，将内容图像和风格参考图像混合在一起。在本节中，首先介绍了神经风格迁移的核心思想与风格迁移图像的生成流程，然后利用 TensorFlow 从零开始实现了风格迁移算法，可以通过修改模型中的超参数来生成不同观感的图像。
2025-03-12 09:01:27
1571
38
原创 TensorFlow深度学习实战——基于ResNet模型实现性别分类
本文通过实战案例演示了基于 ResNet50 模型的性别分类方法。针对深度神经网络中梯度消失问题，ResNet 创新性地引入残差连接机制。模型训练使用 CelebA 人脸数据集，包含 20 万张标注性别属性的图像，通过迁移学习加载预训练的 ResNet50 主干网络提取深度特征，并在顶部构建包含 2048 通道卷积层、最大池化层及全连接层的微调模型。
2025-03-11 08:15:51
908
22
原创 图神经网络实战（25）——基于A3T-GCN预测交通流量
本节重点讨论了使用 TGNN 进行交通预测任务。首先，我们介绍了 PeMS-M 数据集，并将其从表格数据转换为具有时间信号的静态图数据集。在实践中，我们根据输入距离矩阵创建了加权邻接矩阵，并将交通速度转换为时间序列。最后，我们构建了 A3T-GCN 模型，这是一个专为交通预测设计的 T-GNN 模型，并将结果与两个基线模型进行了比较，验证了模型的预测结果。
2025-03-10 08:33:52
1150
16
原创 NEAT初体验
NEAT-Python 封装了许多优化模式的工具，包括网络超参数、架构和参数优化以及增加拓扑结构。在本节中，我们将使用 sklearn 库构建示例数据集可视化 NEAT 分类结果。
2025-03-07 08:47:33
740
26
原创 TensorFlow深度学习实战（10）——迁移学习详解
迁移学习通过利用相关任务或领域的知识，帮助解决新任务或领域中的学习挑战，可以提高模型的泛化能力、加速模型训练，并在实际应用中取得良好的效果。在图像分类、目标检测、机器翻译等任务中，迁移学习已经展现出巨大的应用价值。在本节中，介绍了迁移学习的基本概念，并使用 TensorFlow 构建了迁移学习模型，利用预训练模型 Inception V3 加速学习过程并提高性能。
2025-03-03 08:29:49
1529
36
原创 NEAT详解与实现
NEAT (NeuroEvolution of Augmenting Topologies, 增强拓扑的神经进化)属于神经进化算法家族，能够对神经网络的拓扑结构和连接权重进行进化。其用于进化复杂人工神经网络，旨在通过在进化过程中逐步完善 ANN 的结构来减少参数搜索空间的维数。在本节中，我们将介绍 NEAT 框架，并构建 NEAT 网络以解决经典的一阶异或问题。
2025-02-28 08:20:13
1078
24
原创 TensorFlow深度学习实战（9）——构建VGG模型实现图像分类
VGG 模型是一种经典的深度卷积神经网络 (Convolutional Neural Network, CNN) 架构，该模型以其简单而有效的设计而著名，在图像分类任务中取得了优异成绩。VGG 模型的核心特点是采用了深层的网络结构，其中大部分层由卷积层和池化层组成，且卷积操作使用了尺寸较小的 3 x 3 卷积核，这使得网络能够捕捉到丰富的图像特征。
2025-02-25 08:50:38
1310
41
原创 图神经网络实战（24）——基于LightGCN构建推荐系统
本节详细介绍了如何使用 LightGCN 完成图书推荐任务。使用 "Book-Crossing" 数据集，对其进行了预处理以形成二部图，并使用 BPR 损失实现了 LightGCN 模型。对模型进行了训练，并使用 recall@20 和 ndcg@20 指标对其进行了评估。最后，通过为给定用户生成推荐来证明该模型的有效性。
2025-02-24 08:46:41
1076
15
原创 TensorFlow深度学习实战——构建卷积神经网络实现CIFAR-10图像分类
本节介绍如何利用卷积神经网络 (Convolutional Neural Network, CNN) 对 CIFAR-10 数据集进行图像分类。首先构建一个简单的 CNN 模型来进行 CIFAR-10 图像的分类，接着，通过模型优化技术提高分类准确率。介绍了一个完整的从数据准备到模型评估的图像分类实践过程。
2025-02-20 14:27:57
1282
30
原创 TensorFlow深度学习实战（8）——卷积神经网络
卷积神经网络 (Convolutional Neural Network, CNN) 是一种非常强大的深度学习模型，广泛应用于图像分析、目标检测、图像生成等任务中。CNN 的核心思想是卷积操作和参数共享，卷积操作通过滑动滤波器(也称为卷积核)在输入数据上进行元素级的乘积和求和运算，从而提取局部特征。通过多个滤波器的组合，CNN 可以学习到不同层次的特征表示，从低级到高级的抽象特征。本节从传统全连接神经网络的缺陷为切入点，介绍了卷积神经网络的优势及其基本组件，并使用 TensorFlow 构建卷积神经网络。
2025-02-17 11:20:37
1717
49
原创 使用遗传算法优化生成对抗网络
进化对抗生成网络 (EvoGAN) 是一种结合了进化算法和对抗生成网络的模型。在本节中，我们通过优化封装的 DCGAN 类优化对抗生成网络模型。
2025-02-14 10:43:23
1413
28
原创 编码WGAN
本节通过将生成对抗网络 (Generative Adversarial Networks, GAN) 封装到一个接受遗传编码基因组表示的类中，辅助平衡 GAN 的训练超参数。
2025-02-11 10:54:42
1347
37
原创 TensorFlow深度学习实战（7）——分类任务详解
分类任务是机器学习中最常见的任务之一，广泛应用于各个领域。成功的分类任务不仅需要选择合适的算法，还需要对数据进行深入的预处理和特征工程。在本节中，我们首先介绍了分类任务及其与回归任务的区别，然后介绍了用于分类任务的逻辑回归技术，并使用 TensorFlow 实现了逻辑回归模型。
2025-02-08 09:31:48
1770
41
原创 TensorFlow深度学习实战（6）——回归分析详解
回归分析用于建立变量之间的数学模型，分析其关系，并进行预测。通过合理选择回归模型并确保假设条件成立，回归分析能够帮助决策和优化策略。本节中，首先介绍了线性回归，并用线性回归来预测简单的单变量房价情况，然后使用 TensorFlow 构建了简单和多重线性回归模型。
2025-02-05 08:30:03
1127
42
原创 WGAN详解与实现
WGAN 是 GAN 的一种变体，通过使用 Wasserstein 距离来衡量生成样本与真实样本之间的差异。在本节中，我们学习了如何使用 Wasserstein 损失函数以解决经典 GAN 训练过程中的模式坍塌和梯度消失等问题，使得 GAN 的训练过程更加稳定和可靠。
2025-02-01 08:15:00
1237
13
原创 生成对抗网络详解与实现
生成对抗网络是一种强大的深度学习模型，由生成器网络和判别器网络组成，通过彼此之间的竞争来提高性能，已经在图像生成、图像修复、图像转换和自然语言处理等领域取得了巨大的成功。其核心思想是通过生成器和判别器之间的博弈过程来实现真实样本的生成。生成器负责生成逼真的样本，而判别器则负责判断样本是真实还是伪造。通过不断的训练和迭代，生成器和判别器会相互竞争并逐渐提高性能。
2025-01-27 11:05:08
1671
14
原创 一文读懂Transformer
Transformer 的不仅推动了 NLP 的快速发展，也成为了许多先进模型的基础。以GPT、BERT、T5 等为代表的大语言模型，均基于 Transformer 架构。此外，Transformer 还被成功应用于计算机视觉领域、推荐系统等领域，为深度学习带来了前所未有的效率与表现。随着研究的深入，Transformer 架构正在不断优化和拓展，不仅提升了模型的性能，也让人工智能技术更贴近实际应用。
2025-01-23 14:53:57
24340
109
原创 TensorFlow深度学习实战——情感分析模型
情感分析 (Sentiment Analysis) 是一种自然语言处理 (Natural Language Processing, NLP) 技术，旨在分析和识别文本中的情感倾向，情感分析模型能够根据情感倾向对文本进行分类。在本节中，我们将实现基于全连接神经网络的情感分析模型，以进一步熟悉神经网络构建流程。
2025-01-20 08:44:46
1910
36
原创 TensorFlow深度学习实战（5）——神经网络性能优化技术详解
在本节中，我们首先回顾使用 TensorFlow 构建 MNIST 手写数字识别神经网络，然后详细介绍神经网络中各种超参数的作用，通过使用不同的超参数优化神经网络性能。
2025-01-16 08:56:24
1826
44
原创 变分自编码器详解与实现
变分自编码器是一种结合了自编码器和概率建模的生成模型，通过编码器将输入数据映射到潜在空间中的概率分布，并通过解码器将从潜在空间采样得到的潜在变量映射回原始数据空间，实现了数据的生成和特征学习。
2025-01-14 15:13:58
786
26
原创 图神经网络实战（23）——使用异构图神经网络执行异常检测
在本节中，我们探讨了如何使用图神经网络 (Graph Neural Networks, GNN) 检测 CIDDS-001 数据集中的异常流量。首先，对数据集进行预处理，并将其转换为图表示法，从而捕捉到网络不同组成部分之间的复杂关系。然后，利用 GraphSAGE 运算符实现异构 GNN。捕捉图的异构性，使我们能够将流量分为良性和恶意两种。GNN 在网络安全中已经得到了广泛应用，并为研究开辟了新的途径。随着技术的不断进步和网络数据量的增加，GNN 将成为检测和预防安全漏洞的重要工具。
2025-01-13 09:25:27
1363
15
原创 使用遗传算法优化自编码器模型
进化自编码器 (EvoAE) 是一种结合了进化算法和自编码器的模型。在本节中，我们通过构建自定义的突变和交叉操作符来处理构建进化自编码器 (AutoEncoder, AE) 所需的自定义遗传算子，并基于构建的自定义遗传算子使用遗传算法优化自编码器模型，即进化自编码器。
2025-01-09 11:22:04
1337
30
原创 TensorFlow深度学习实战（4）——正则化技术详解
正则化是防止过拟合的有效手段，它通过对模型的复杂度进行约束来提高模型的泛化能力。选择合适的正则化方法可以帮助模型在面对未见过的数据时有更好的表现，而不只是仅仅记住训练数据的细节。
2025-01-06 08:23:17
2036
42
原创 TensorFlow深度学习实战（3）——深度学习中常用激活函数详解
激活函数是神经网络中至关重要的一部分，它决定了神经元的输出以及神经网络模型的非线性特性。没有激活函数，神经网络就会变成一个简单的线性模型，无法处理复杂的任务。因此，激活函数的选择直接影响神经网络的表达能力和学习效果。
2025-01-02 08:21:52
11502
38
原创 编码卷积自编码器架构
使用卷积层的复杂自编码器可能较难构建，可以使用神经进化构建定义编码器和解码器部分的分层架构。在编码器和解码器中使用卷积层需要额外的上采样层和匹配的层配置，这些配置可以编码成自定义的遗传序列。
2024-12-30 08:14:47
1643
46
原创 TensorFlow深度学习实战（2）——使用TensorFlow构建神经网络
在本文中，我们使用 TensorFLow 库构建了简单的神经网络模型以了解 TensorFLow 库的基本用法，然后进一步构建了原始神经网络用于识别 MNIST 手写数字数据集，对于模型训练的流程和其中的关键步骤进行了详细的总结和介绍。
2024-12-25 08:24:45
12774
68
原创 卷积自编码器详解与实现
卷积自编码器是一种基于卷积神经网络结构的自编码器，适用于处理图像数据。卷积自编码器在图像处理领域有广泛的应用，包括图像去噪、图像压缩、图像生成等任务。通过训练卷积自编码器，可以提取出输入图像的关键特征，并实现对图像数据的降维和压缩，同时保留重要的空间信息。在本节中，我们介绍了卷积自编码器的模型架构，使用 Keras 从零开始实现在 Fashion-MNIST 数据集上训练了一个简单的卷积自编码器。
2024-12-24 08:55:55
1425
18
原创 图神经网络实战（22）——基于Captum解释图神经网络
可解释性是许多深度学习领域的关键要素，可以帮助我们建立更好的模型，在本节中，我们介绍了积分梯度(基于梯度的方法)技术。使用 PyTorch Geometric 和 Captum 在 Twitch 数据集上实现了此方法，以获得节点分类的解释，最后对结果进行了可视化和讨论。
2024-12-23 08:46:35
2085
22
原创 探索AI安全治理，打造大模型时代的可信AI
随着 AI 技术的快速发展，AI 造假问题也越来越严重，为经济、社会发展带来了诸多挑战，也威胁着的个人的隐私安全和社会的秩序，AI 安全的治理目前是学术界和产业界非常关注的课题。为了应对这一挑战，本文回顾了在《CCF-CV 企业交流会—走进合合信息》活动中，与会专家从监管、前沿研究、技术实践等多个维度分享的 AI 安全领域的最新研究成果以及实践经验，以推动 AI 在保障安全和公平的基础上健康发展。
2024-12-18 08:01:18
11623
153
原创 进化卷积神经网络
卷积神经网络 (Convolutional Neural Network, CNN) 的设置和定义对于各种图像识别任务来说较为复杂的，通常得到最佳 CNN 超参数需要花费大量时间分析和调整。使用遗传算法进化一组个体，能够优化特定数据集上的 CNN 模型体系结构。本节中，介绍了自定义交叉和突变算子的构建方式，并使用自定义遗传算子实现进化卷积神经网络 (Evolutionary Convolutional Neural Network, EvoCNN)。
2024-12-12 09:34:54
1961
59
原创 TensorFlow深度学习实战（1）——神经网络与模型训练过程详解
在本文中， 我们了解了神经网络的相关基础知识，同时看到了神经网络常见的模型架构与其在实际中的广泛应用，同时利用 Python 从零开始实现了神经网络的训练过程——前向传播和反向传播，了解了神经网络的通用训练流程。
2024-12-09 08:31:15
13289
83
原创 编码卷积神经网络架构
进化卷积神经网络 (Evolutionary Convolutional Neural Network, EvoCNN) 通过结合进化算法的优势，提供了一种自动化设计和优化深度学习模型的方法。在本节中，我们介绍了如何将卷积神经网络架构编码为基因序列，为构建进化卷积神经网络奠定基础。
2024-12-04 08:35:10
8138
56
原创 图神经网络实战（21）——图神经网络的可解释性
在本节中，我们探讨了应用于图神经网络 (Graph Neural Networks, GNN) 的可解释性人工智能 (Explainable Artificial Intelligence, XAI) 技术。可解释性是许多领域的关键要素，可以帮助我们建立更好的模型。我们介绍了不同的局部解释技术，并重点讨论了 GNNExplainer (基于扰动的方法)，在图分类任务中应用 GNNExplainer。
2024-12-02 08:33:24
2511
42
用于目标检测的 YOLO V3 模型架构及权重文件(含 OpenCV 使用示例)
2021-09-30
用于目标检测的 MobileNet-SSD 模型架构及权重文件(使用 Caffe 框架进行预训练)
2021-09-30
用于图像分类的 ResNet-50 模型架构及权重文件(使用 Caffe 框架进行预训练)
2021-09-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人