深度学习~~随笔记

原创 已于 2022-02-05 13:17:53 修改 · 168 阅读 · 1 ·
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 #tensorflow #人工智能

于 2021-06-13 22:56:26 首次发布
本文探讨了如何利用TextCNN进行脏话识别，解析了为何当前CNN模型多基于GoogleNet、VGGNet和AlexNet进行调整，并介绍了Tensorflow初学者如何通过PlayGround可视化学习神经网络。此外，还深入研究了ResNet深度残差网络，并详细阐述了Tensorflow中模型的保存与加载方法。文章最后提到了注意力机制在深度学习中的重要应用。

小姐姐如何利用TextCNN识别脏话 - 云+社区 - 腾讯云  小姐姐如何利用TextCNN识别脏话----------题目挺有趣

为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的？ - 知乎  为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的？

Tensorflow新手通过PlayGround可视化初识神经网络 - 简书  Tensorflow新手通过PlayGround可视化初识神经网络----可视化~~~

ResNet

深度残差网络——ResNet学习笔记 - 我的明天不是梦 - 博客园   深度残差网络—ResNet总结

深度学习入门 | 第六章：经典卷积神经网络：ResNet_模块  深度学习入门 | 第六章：经典卷积神经网络：ResNet -------结合代码示例来讲解，推荐~~~

模型保存与使用

tensorflow三种加载模型的方法和三种模型保存文件（.ckpt，.pb， SavedModel) - 彼岸的客人 - 博客园  tensorflow三种加载模型的方法和三种模型保存文件（.ckpt，.pb， SavedModel)

A quick complete tutorial to save and restore Tensorflow models – CV-Tricks.com  教程

大话注意力机制（Attention Mechanism） - 雪饼的个人空间 - OSCHINA - 中文开源技术交流社区

《吴恩达深度学习》学习笔记（上）
weixin_41554699的博客
02-23 1421
我们把一个有输入和输出的计算单元叫做“神经元”。最简单的神经元就是一个线性函数。比如预测房价和房屋面积的关系时，我们会用一个线性函数去拟合。这个线性函数就是一个神经元。事实上，一个神经元不仅包含一个线性函数，还包括一个激活函数。这里提到了激活函数 ReLU 的概念，其具体内容应该会在后面的课程里介绍。如图所示举例，不同的X变量如房子大小/房间数量/邮编地段 最后会得到一个房价的预测，省去了中间的自己完成推算的过程。在用一个神经元来表示房价和房屋面积的关系时，神经元的输入是房屋面积，输出是房价。而用。
深度学习笔记（1）机器学习与深度学习基础
hanliu2003的博客
08-28 1330
一些深度学习的简单概念和Transformer的学习。
【李沐】动手学深度学习 学习笔记
热门推荐
chenxiaowai_的博客
03-21 3万+
你好！这是【李沐】动手学深度学习v2-基于pytorch版本的学习笔记教材源代码安装教程（安装pytorch不要用pip，改成conda，pip太慢了，下载不下来）个人推荐学习学习笔记本节代码文件在源代码文件的chapter_deep-learning-computation/custom-layer.ipynb中不带参数的层下面的CenteredLayer类要从其输入中减去均值。要构建它，我们只需继承基础层类并实现前向传播功能。让我们向该层提供一些数据，验证它是否能按预期工作。带参数的层。
深度学习课堂笔记
synthesis_30的博客
03-02 1997
第1章 深度学习简介 1.1 课程简介 1.2
《深度学习基础与概念》第一章学习笔记
2301_79685305的博客
06-15 1618
《深度学习基础与概念》第一章学习笔记，主要介绍深度学习一些较为基本的概念及发展
《2025神经网络与深度学习》课程笔记（二）
qq_51763264的博客
05-12 1153
学习资源典型任务：图像分类（基于图像中主要对象分类）、目标定位（预测包含主要对象的图像区域）、目标识别（定位并分类图像中所有对象）、语义分割（按对象类别标记图像每个像素）、实例分割（按对象类别和实例标记图像每个像素）、关键点检测（检测对象预定义关键点位置）。进化史：1998 年出现 LeNet，之后陆续有 AlexNet、VGGNet、GoogleNet 等网络被提出，网络结构不断演进。
深度学习笔记（3）读懂代码
hanliu2003的博客
09-10 1209
下面是设置种子，我们在训练模型的时候，很多时候咱们是做一个随机初始化但是现在遇到一个问题，我调参后参数变了，但是我初始化的权重也变了，那么测试后的结果，到底是因为你参数导致的，还是因为你的权重参数初始化好导致的会说不清楚，这时候设置个随机种子，但是每次随机结果都是固定的，所以我们要设置个随机种子。timesnet 就是一共有t个点，每个点有c个特征，原始的一个 1D时间序列就可以表示成 t 乘c的 一个矩阵，要想考虑我们周期性的变换，我们需要先得一个周期是多少，通过傅立叶变换来分析。
《深度学习推荐系统》笔记
记录学习历程
07-14 4879
图中的隐层表达（Hidden Representation层）就是对不同Embedding进行加权平均操作的层，将加权平均后的Embedding向量输入softmax层，通过梯度反向传播，求得每个Embedding的权重。
DeepLearning深度学习（花书）读书笔记——引言
小鼻涕虫BoZ的博客
08-08 1310
深度学习（花书）读书笔记——第一章 引言
《动手学深度学习》学习笔记
欢迎来到三水编程的博客
01-11 2613
本文首先介绍了深度学习的基础知识，包括线性回归、多层感知机、卷积神经网络、循环神经网络的基本原理，在其基础上讲解网络优化算法进一步优化网络和自定义网络实现自己的网络。然后介绍深度学习的应用，具体包括单发多框目标检测、语义分割、风格迁移、中英文翻译系统。最后总结我对本课程学习的心得体会和建议。
精选资源
深度学习吴恩达课程笔记(三)-参数VS超参数、深度学习的实践层面
10-26
在深度学习中，还有一种叫做验证曲面（Validation Surface）的概念，它展示了模型性能如何随超参数的变化而变化，有助于我们理解模型的敏感性和选择最佳超参数。 6.模型部署与服务 当模型训练完成后，我们需要将其...
003 卷积神经网络（CNN）-- 原理到实践
yy_xzz的博客
12-25 820
卷积操作：局部连接，权重共享池化操作：降维，增加平移不变性经典架构现代技巧：批归一化，Dropout，残差连接实践应用：图像分类，特征可视化# 尝试设计一个用于MNIST的CNN# 你的设计pass# 前向传播pass。
Day46
m0_70488789的博客
12-26 258
作业：手动构造类似的数据集（如cosx数据），观察不同的机器学习模型的差异。4. 经典机器学习在序列任务上的劣势；# DAY 46 序列预测任务介绍。b. 多步预测的2种方式。2. 序列数据的处理：滑动窗口。3. 多输入多输出任务的思路。
Day44 简单 CNN 实战
W020419的博客
12-26 324
将卷积输出展平成向量，接 1~2 层全连接 + Dropout，输出 10 维 logits。：BatchNorm 稳定分布、Dropout 降低 co-adaptation。这些中间输出就是“特征图”，可借助 Grad-CAM 等方法做可视化解释。第 3 个卷积块：池化后得到 128×4×4，展平即 2048 维向量。第 1 个卷积块：保持尺寸，池化后得到 32×16×16；第 2 个卷积块：池化后得到 64×8×8；提取多尺度特征并逐步减小空间维度。
Monodepth：基于左右一致性的无监督单目深度估计，单目估计的起步-k学长深度学习专栏
12-23 953
Monodepth是一种创新的单目深度估计方法，通过无监督学习实现深度预测。其核心思想是将深度估计转化为图像重建问题，利用双目相机的左右图像进行训练，无需真实深度标注。方法采用编码器-解码器结构预测视差图，并通过三种关键损失函数（外观匹配损失、视差平滑损失和左右一致性损失）来优化模型性能。最大的创新点是引入左右一致性约束，使模型能更准确地理解场景的几何结构。相比传统方法，Monodepth降低了数据获取成本，提高了深度预测的可靠性，适用于自动驾驶、AR/VR等多个领域。
【AI课程领学】第四课1/3：CNN 基本组件与操作——卷积/步幅/填充/池化/归一化/激活/感受野（含 PyTorch + NumPy）
2401_89898861的博客
12-25 1512
【AI课程领学】第四课1/3：CNN 基本组件与操作——卷积/步幅/填充/池化/归一化/激活/感受野（含 PyTorch + NumPy）
基于山羚羊优化的LSTM深度学习网络模型(MGO-LSTM)的一维时间序列预测算法matlab仿真
熟悉python,matlab,C,C++,JAVA等
12-26 340
摘要：本文提出一种基于山羚羊优化算法(MGO)的LSTM超参数优化方法，用于时间序列预测。该方法利用MGO自适应搜索LSTM最优隐含层神经元数量，以最小化预测误差。程序在MATLAB2022A/2024B中实现，包含数据预处理、MGO优化、LSTM训练与预测等模块。MGO-LSTM模型通过模拟山羚羊群体智能行为进行全局寻优，克服传统方法的局部最优问题。实验结果显示，该方法能有效提升LSTM预测精度，适用于一维时间序列分析任务。
高级LSTM架构在量化交易中的特殊入参要求与实现
木头大左的博客
12-25 796
本代码实现了基于长短期记忆网络（LSTM）的量化交易策略，通过处理时间序列金融数据预测未来价格走势。主要风险包括过拟合问题、非平稳时间序列导致的梯度消失、以及市场黑天鹅事件引发的异常波动。对于高频交易场景，采用5-30分钟级别的K线数据时，建议设置timesteps=64-128；该实现方案已在CME集团黄金期货(GC)合约上完成实证测试，2018-2023年期间实现年化收益18.7%，夏普比率1.93，最大回撤9.2%。需要注意的是，实际应用中应根据具体交易品种调整参数范围，并建立严格的风控体系。
带Python的人工智能——深度学习
最新发布
路漫漫其修远兮，吾将上下而求索
12-27 1057
本文摘要：深度学习是机器学习的重要分支，基于人工神经网络构建。文章对比了深度学习与机器学习的差异，重点介绍了卷积神经网络(CNN)的结构和应用。CNN通过卷积层、池化层等处理图像数据，在图像分类任务中表现优异。文中提供了使用Keras构建线性回归器和图像分类器的Python代码示例，包括数据预处理、模型构建、训练和预测的全过程。通过实例展示了深度学习在房价预测和猫狗图像分类中的实际应用。
Jupyter笔记本深度学习入门实战指南
标题“深度学习入门：包含小型深度学习项目的Jupyter笔记本”明确指出了本文件是面向初学者的深度学习入门指南，并且附带了可以直接运行的小型项目。描述部分重复了标题的内容，再次强调了这是为初学者提供的入门...
评论 2
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