分享
扫一扫
超级会员免费看
DFCED
这个作者很懒，什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
混合专家模型 (MoE) 最全详细图解
混合专家模型 (MoE) 的一个显著优势是它们能够在远少于稠密模型所需的计算资源下进行有效的预训练。原创 2025-01-31 18:42:09 · 2308 阅读 · 0 评论 -
多模态大语言模型综述-最全详细翻译【人工校正版】
原创 2024-12-19 10:06:22 · 286 阅读 · 0 评论 -
图解目标检测 之 【YOLOv9】 算法 最全原理详解
YOLOv9 是 YOLO（You Only Look Once）系列实时目标检测系统的最新版本。它建立在以前的版本之上，融合了深度学习技术和架构设计的进步，以在对象检测任务中实现卓越的性能。YOLOv9将可编程梯度信息 (PGI) 概念与通用 ELAN (GELAN)架构相结合而开发，代表了准确性、速度和效率方面的重大飞跃。计算机领域顶会论文，CCF，SCI，EI，专利竞赛软著等1v1论文辅导！👇【立即咨询】一站式服务，短期快速投稿💥个性化的指导和顶尖的科研团队支持，助您攀登科研高峰。原创 2024-02-25 22:31:23 · 11647 阅读 · 0 评论 -
Midjourney绘图欣赏系列（五）
Midjourney 是生成式人工智能的一个很好的例子，它根据文本提示创建图像。它与 Dall-E 和 Stable Diffusion 一起成为最流行的 AI 艺术创作工具之一。与竞争对手不同，Midjourney 是自筹资金且闭源的，因此确切了解其幕后内容尚不清楚。我们知道它严重依赖机器学习技术，例如大语言和扩散模型。结果有时令人吃惊，但总是令人印象深刻，并且具有非常现实的品质。与其他人工智能艺术生成器不同，它没有免费试用版。它变得如此流行，以至于在使用它之前必须注册订阅。原创 2024-02-17 18:39:13 · 370 阅读 · 0 评论 -
Midjourney绘图欣赏系列（四）
Midjourney 是生成式人工智能的一个很好的例子，它根据文本提示创建图像。它与 Dall-E 和 Stable Diffusion 一起成为最流行的 AI 艺术创作工具之一。与竞争对手不同，Midjourney 是自筹资金且闭源的，因此确切了解其幕后内容尚不清楚。我们知道它严重依赖机器学习技术，例如大语言和扩散模型。结果有时令人吃惊，但总是令人印象深刻，并且具有非常现实的品质。与其他人工智能艺术生成器不同，它没有免费试用版。它变得如此流行，以至于在使用它之前必须注册订阅。原创 2024-02-16 23:24:59 · 482 阅读 · 0 评论 -
Midjourney绘图欣赏系列（三）
Midjourney 是生成式人工智能的一个很好的例子，它根据文本提示创建图像。它与 Dall-E 和 Stable Diffusion 一起成为最流行的 AI 艺术创作工具之一。与竞争对手不同，Midjourney 是自筹资金且闭源的，因此确切了解其幕后内容尚不清楚。我们知道它严重依赖机器学习技术，例如大语言和扩散模型。结果有时令人吃惊，但总是令人印象深刻，并且具有非常现实的品质。与其他人工智能艺术生成器不同，它没有免费试用版。它变得如此流行，以至于在使用它之前必须注册订阅。原创 2024-02-16 23:12:10 · 437 阅读 · 0 评论 -
Midjourney绘图欣赏系列（一）
Midjourney 是生成式人工智能的一个很好的例子，它根据文本提示创建图像。它与 Dall-E 和 Stable Diffusion 一起成为最流行的 AI 艺术创作工具之一。与竞争对手不同，Midjourney 是自筹资金且闭源的，因此确切了解其幕后内容尚不清楚。我们知道它严重依赖机器学习技术，例如大语言和扩散模型。结果有时令人吃惊，但总是令人印象深刻，并且具有非常现实的品质。与其他人工智能艺术生成器不同，它没有免费试用版。它变得如此流行，以至于在使用它之前必须注册订阅。原创 2024-02-15 13:36:11 · 650 阅读 · 0 评论 -
注意力机制最新综述解读
注意力机制最新综述解读 注意力模型(Attention Model，AM)已经成为神经网络中的一个重要概念，并在不同的应用领域进行了充分的研究。这项调查提供了一个结构化和全面的概述关于attention的发展。我们回...转载 2020-04-10 11:06:10 · 3314 阅读 · 0 评论 -
图解强化学习 原理 超详解 （三）
上一篇博客中 我们讲述了马尔可夫决策过程中的策略优化及相关问题，在这一篇博客中我们将讲述Q-learn方法，以及深度强化学习的相关概念六.Q-learnQLearning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思...原创 2020-04-07 15:00:53 · 2976 阅读 · 1 评论 -
图解强化学习 原理 超详解 （二）
上一篇博客中，我们讲解了 强化学习的 概念定义，以及详细全面的讲述了马尔可夫过程，这一篇我们将讲述马尔可夫决策过程所涉及到的策略优化及相关概念。四.策略优化马尔可夫决策过程对环境进行了描述，那么智能主体如何完成与环境的智能交互？这时我们就需要进行 策略学习 了...原创 2020-04-06 18:18:44 · 4056 阅读 · 0 评论 -
图解强化学习 原理 超详解 （一）
强化学习一.背景机器学习是人工智能的一个分支，在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等的学科。强化学习(RL)作为机器学习的一个子领域，其灵感来源于心理学中的行为主义理论，即智能体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。它强调如何基于环境而行动，以取得最大化的预期利益。通俗的讲:就是根据环境学...原创 2020-04-01 15:17:44 · 28751 阅读 · 2 评论 -
图神经网络GNN 原理 详解 （一）
图神经网络（GNN）一.背景图神经网络的概念首先由 Gori 等人（2005）[16] 提出，并由 Scarselli 等人（2009）[17] 进一步阐明。这些早期的研究以迭代的方式通过循环神经架构传播邻近信息来学习目标节点的表示，直到达到稳定的固定点。该过程所需计算量庞大，而近来也有许多研究致力于解决这个难题。在本文中，图神经网络代表的是所有用于图数据的深度学习方法。受到卷积网络在计算...原创 2020-03-30 18:06:31 · 29984 阅读 · 3 评论 -
图解 生成对抗网络GAN 原理 超详解
生成对抗网络一.背景一般而言，深度学习模型可以分为判别式模型与生成式模型。由于反向传播（Back propagation, BP）、Dropout等算法的发明，判别式模型得到了迅速发展。然而，由于生成式模型建模较为困难，因此发展缓慢，直到近年来最成功的生成模型——生成式对抗网络的发明，这一领域才焕发新的生机。生成式对抗网络（Generative adversarial network, G...原创 2020-03-29 14:00:30 · 201759 阅读 · 6 评论 -
图解目标检测 之 YOLO 算法 最全原理详解
YOLO一.背景YOLO（You Only Look Once: Unified, Real-Time Object Detection），是Joseph Redmon和Ali Farhadi等人于2015年提出的基于单个神经网络的目标检测系统。在2017年CVPR上，Joseph Redmon和Ali Farhadi又发表的YOLO 2，进一步提高了检测的精度和速度。二.YOLO算法的网...原创 2020-03-28 14:37:45 · 225583 阅读 · 11 评论 -
图解目标检测 之 Faster－RCNN 原理 详解
Faster-RCNN一.背景最新的物体检测网络依赖于候选框(生成)算法来假设物体位置。最新的进展如SPPnet[1]和Fast R-CNN[2]已经减少了检测网络的时间，(间接)凸显出候选框计算成为算法时间的瓶颈。Faster-RCNN引入了Region Proposal Network (RPN) ，它和检测网络共享整图的卷积特征，这样使得候选框的计算几乎不额外占用时间。RPN是一个全卷积...原创 2020-03-27 18:47:39 · 3729 阅读 · 0 评论 -
图解目标检测 之 Fast-RCNN 算法 原理 详解
Fast-RCNN一.背景继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。同样使用最大规模的网络，Fast RCNN和RCNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间.二.RCNN缺点,Fast...原创 2020-03-26 16:29:59 · 2066 阅读 · 0 评论 -
目标检测 之 R-CNN 超全详解
在上一篇博客中介绍了目标检测的概念，发展历程，基本思路和步骤，以及目标检测精准度的评价指标，在这一篇博客中我们将着重介绍几个主流的 目标检测 算法。五. R-CNN 算法（图片来自网络）5.1 简介R-CNN的全称是Region-CNN，它可以说是是第一个成功将深度学习应用到目标检测上的算法。 传统的目标检测方法大多以图像识别为基础。 一般可以在图片上使用穷举法选出所所...原创 2020-03-22 17:44:20 · 3333 阅读 · 0 评论 -
《深度学习》之 目标检测 最全详解 （一）
目标检测一.简介目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控...原创 2020-03-22 10:45:36 · 46759 阅读 · 3 评论 -
《深度学习》之 循环神经网络 原理 超详解
循环神经网络一.研究背景1933年，西班牙神经生物学家Rafael Lorente de Nó发现大脑皮层（cerebral cortex）的解剖结构允许刺激在神经回路中循环传递，并由此提出反响回路假设（reverberating circuit hypothesis）1982年，美国学者John Hopfield基于Little (1974) [12] 的神经数学模型使用二元节点建立了...原创 2020-03-20 13:28:26 · 12788 阅读 · 1 评论 -
《深度学习》之 前馈神经网络 原理 详解
神经网络深度学习：**定义：**深度学习是机器学习的一个研究方向，它基于一种特殊的学习机制。其特点是建立一个多层学习模型，深层级将浅层级的输出作为输入，将数据层层转化，使之越来越抽象。是模拟人脑接受外界刺激时处理信息和学习的方式。应用领域：- 语音识别系统- 搜索模式- 图像识别- 自动驾驶从感知机到多层感知机近代最常用的NN模型（神经网络模型）源于 1943年 McCulloc...原创 2020-03-20 19:16:17 · 5032 阅读 · 0 评论 -
《深度学习》之 VGG卷积神经网络 原理 详解
VGG卷积神经网络一.背景ILSVRC 2014的第二名是Karen Simonyan和 Andrew Zisserman实现的卷积神经网络，现在称其为VGGNet。它主要的贡献是展示出网络的深度是算法优良性能的关键部分。他们最好的网络包含了16个卷积/全连接层。网络的结构非常一致，从头到尾全部使用的是3x3的卷积和2x2的汇聚。他们的预训练模型是可以在网络上获得并在Caffe中使用的。V...原创 2020-03-20 16:01:00 · 7664 阅读 · 0 评论 -
《深度学习》 之 AlexNet卷积神经网络 原理 详解
AlexNet卷积神经网络一.背景介绍（图片来自网络）lexNet 经常被认为是这一波人工智能浪潮的起点，该网络在 ImageNet 挑战赛中的错误率与前一届冠军相比减小了 10% 以上，比亚军高出 10.8 个百分点。AlexNet 是由多伦多大学 SuperVision 组设计的，由 Alex Krizhevsky, Geoffrey Hinton 和 Ilya Sutskever 组...原创 2020-03-20 19:16:59 · 2465 阅读 · 0 评论 -
《深度学习》之 卷积神经网络 详解
卷积神经网络一.概括1.1为什么要出现卷积神经网络？全连接神经网络出现的维度灾难，内存计算量巨大，训练困难（图片来自网络）什么是卷积神经网络?卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输...原创 2020-03-20 19:17:39 · 1820 阅读 · 0 评论