【一对一学习小组】2023年有三AI-CV初阶-基础算法组发布，如何夯实深度学习图像识别算法理论基础与实践...

言有三 言有三 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 600+累计阅读 601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15年
关注
原创 最新推荐文章于 2026-06-02 10:12:22 发布 601 阅读 AI 写同款· GEO 优化 ›
李开复：苹果发布AI应用的意义 苹果、AI应用、机器学习、深度学习、自然语言处理、计算机视觉、科技发展趋势、未来应用 1. 背景介绍 2023年，苹果公司在全球开发者大会上发布了一系列搭载人工智能（AI）技术的应用，引发了业界和公众的广泛关注。李开复，作为一位享誉全球的计算机科学家和科技评论家，在接受采访时对苹果发 阅读详情

af20ce031a79033cdf0b7a2620faa580.png

a209e97bcfac49ae03b6fa089a605828.png

2023年有三AI-CV初阶-基础算法组正式发布！有三AI已经推出了CV初-中-高级培养计划（原名有三AI-CV季划），这是我们的终身计算机视觉学习小组。

6cb9383fded951bd2f1a3dcd2897757b.png

该培养计划具有以下特点：

【系统性】配套有非常完备的理论与实践

【永久性】不限制学习期限，一直有效

【成长性】内容保持更新，不额外收费

【专业性】原创书+视频讲解+真实项目锻炼

【丰富性】数千页PPT，文档，项目等

【权威性】工业界资深背景辅导老师，弱运营属性

什么是有三AI-CV初阶-基础算法组

本组针对深度学习与计算机视觉学习新手，目标是从Python编程、Pytorch框架使用与深度学习开始，到较为深入系统地掌握计算机视觉的核心领域，培养出独立完整的CV算法研发与工程项目能力。下图是2023年CV初阶-基础算法组包括的内容预览图，可以自行放大仔细阅读。

4a6c2fef23f7b2bef2c7febe00b154d6.png

学习内容覆盖以下几个方向：

(1) 编程基础，包括Python使用，C++使用，开源框架Pytorch的使用。

(2) 数据使用，包括数据获取，数据整理，数据标注，数据增强。

(3) 计算机核心算法方向深入掌握，包括图像分类，图像分割，目标检测，CNN模型设计。

学习资源包括以下部分：

(1) 1本配套的图书教材，《深度学习之图像识别：核心算法与实战案例（全彩版）》。

f44faa96bc33a0af6e8ed558e07dd99f.png

(2) 配套的视频教程，唯一的学习平台，课程不定期更新。

02d6db35ec6025c8b7565877977f4afe.png

(3) 1个知识星球学习社区，存储部分图文资料与数据。

2c00c8d05953e287e93d9a8d32c0b709.png

(4) 有三AI项目研发组进入权限，有机会负责真实产业案例研发。

20e943083f383ae34ac265ea248b5ca2.png

编程与开源框架部分

Python在各类编程语言中是最适合新手学习的一门语言，也是当下人工智能科学研究与应用领域中使用最为广泛的语言，当前几乎所有的机器学习与深度学习开源研究项目都基于Python语言编写。

e7eff0d65eacdc6c8d9521fbad1dea77.jpeg

要学人工智能，必先学Python！为了帮助一些新手逐渐掌握Python的使用，我们配置了一套3个小时的Python课程，还在更新中。

7fa92823c9fb1aeb62bf291d81b4e2e1.jpeg

课程详情可见：【视频课】纯新手如何快速掌握深度学习必备的Python基础能力，150分钟助你入门！

Pytorch是当下最流行的深度学习开源框架，我们所有的项目都是使用Pytorch框架，因此是我们必须要掌握的内容，我们配置了一套5个小时的Pytorch课程。

a74d7c907d832ae9f4e938bce34d261d.png

课程详情可见：【视频课】永久免费！5小时快速掌握Pytorch框架入门及实战

深度学习基础

深度学习必须夯实的理论基础，有三之前给阿里云开发了《深度学习原理与实践》基础课程，讲述了深度学习的大部分基础内容，内容深度和宽度都足够让初学者掌握好深度学习基础，介绍和地址如下：

239661e04df165f5fe95c0ca93b2a785.png

【完结】有三AI&阿里云的深度学习基础课程暂时完结，欢迎扩散学习

大家可以到阿里云平台学习，也可以到我们课程平台去学习。

数据使用

数据的使用是深度学习算法领域从业者的必备素质，需要掌握如何收集高质量的数据，如何整理数据，如何分析数据，如何在各类项目中使用好数据增强。我们配置了1门时长超过3小时的《深度学习之数据使用》课程与若干个项目实践。

4e533744fdab3422364a5567ee7262b8.png

6d1cf11fa2ef7fa1241a4dc296431221.png

069fb88f0846342258bfcfe0f4b60b6f.png

课程详情可见：【视频课】永久免费！3小时快速掌握深度学习CV数据使用核心内容

图像分类

对于刚接触深度学习计算机视觉的初学者来说，图像分类问题是最常见的问题，如何做好图像分类任务，关系到大家能否正确顺利地入门、如何学习接下来更加高阶的内容。我们配置了图像分类课程，当前包含的内容共约12个小时，PPT数量超过300页。

5ec84952364bd8a945ac81aba1f6c63c.png

0620a75948a695b04387958d9f93a8c1.png

(1) 理论部分：涵盖了深度学习图像分类各个方向的理论知识，如图像分类基础、多类别图像分类理论、细粒度图像分类理论、多标签图像分类理论、半监督与无监督图像分类、零样本图像分类等，既有足够的广度，也具备足够的深度。

(2) 实践部分：本次课程中一共已经包含了5个实践案例，分别为从零完成人脸表情识别案例实践、简单图像分类数据增强实战、鸟类动物细粒度分类实战、生活用品多标签图像分类实战、基于血红细胞的图像分类竞赛技巧，通过这些实战案例可以彻底掌握图像分类任务的实战技巧。

67c0e4c3914fd57d1dd295c57273e162.jpeg

课程详情可见：【视频课】CV必学，超10小时，3大模块，5大案例，循序渐进地搞懂图像分类理论与实践！

图像分割

图像分割是在图像分类基础上更加细粒度的像素级分类问题，在视频直播，电商推荐，自动驾驶，医学图像等行业中有着广泛的应用，是深度学习计算机视觉领域中非常底层的问题，也是必须掌握的核心算法，包含的东西非常多。我们配置了图像分割课程，当前包含的内容共约12个小时，PPT数量超过400页。

040fb00ecceaf048edf347f9ed18249b.png

32e7c50158373a57500d2cb1c3a7dfc7.png

(1) 理论部分：涵盖了深度学习之图像分割的各个研究方向，如图像分割基础、语义分割模型及其改进技术、弱监督语义分割，Image Matting经典模型及其改进，各类实例分割模型等，既有足够的宽度，也具备有足够的深度。

(2) 实践部分：本次课程中一共已经包含了4个实践案例，分别为人脸嘴唇分割实战，缺陷分割实战，Image Matting人像抠图实战，Mask RCNN实例分割实战，后续还会增加其他方向的实战，部分案例结果图如下：

0aec704d3182a298f4809a5eec3b62cb.jpeg

课程详情可见：【视频课】CV必学，超10小时，3大模块，4大案例，循序渐进地搞懂图像分割！

目标检测

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。我们配置了目标检测课程，当前包含的内容共约28个小时，PPT数量约400页。

ce84d765de1aeb48dc098057dde5125e.png

7994d9f30474bc33ffc785013b20a81c.png

(1) 理论部分内容包括：two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解（从YOLO v1到YOLO v5），Anchor-free算法系列详解（包括Densebox，CenterNet，CornetNet等）；会非常详细地讲解算法中的细节，帮助彻底消化算法原理；

(2) 实践部分内容包括： YOLOv3实战（工业缺陷检测）、Faster-RCNN实战（猫脸检测），CenterNet（电路板缺陷检测），MMdetection框架使用；基于Pytorch框架进行实战，逐行剖析代码，完全掌握实战细节；

f6779845b84e54ee6bfbda0def095e4c.jpeg

课程详情可见：【视频课】CV必学，超30小时，4大模块，4大案例，循序渐进地搞懂目标检测！

模型设计

模型的设计是整个深度学习领域的通用基础，不管是从头设计自己的神经网络，还是对已有模型进行优化获得更高的任务指标，更快的运行速度，获得更小的模型体积，都需要掌握各类网络的设计技巧，是深度学习算法工程师进阶的难点及必学点！我们配置了模型设计课程，当前包含的内容超过20个小时，PPT数量超过450页。

fe9503d23f01c81d914a2fd6eec555d6.png

理论部分内容：网络深度与模型性能，网络宽度与模型性能，注意力机制，轻量化网络理论。

(1) 基于网络深度的CNN模型设计，内容包括经典浅层卷积网络的设计模型如neocognitron、经典模型AlexNet，VGGNet，ResNet。

(2) 基于网络宽度的CNN模型设计，内容包括多分支经典模型如GoogLeNet，ResNext等

(3) 经典注意力机制CNN模型设计，内容包括空间注意力模型、通道注意力模型、 混合注意力模型。

(3) 轻量级模型设计，内容包括Xception网络、MobileNet V1和V2网络、 ShuffleNet V1和V2网络、SqueezeNet网络。

实践部分内容：基于ResNet的垃圾分类实战，基于InceptionNet系列的花卉分类实战，基于SeNet的人种分类实战，Pytorch模型安卓端部署。

f7e4f57e94bbdc4843ba42f67efc35ab.png

详细了解课程，请阅读：【视频课】AI必学，超20小时，4大模块，循序渐进地搞懂CNN模型设计与简单部署！

如何学以致用

有三AI-CV学习小组的目标不仅是让学习者完成对深度学习CV算法知识的掌握，更是要在实际项目中进行使用，因此提供了学习后的一些输出形式，包括做项目、授课等。关于产出形式，下面是一些往期成员的分享，供大家参考：

【杂谈】有三AI季划的最核心价值在哪，听听这些同学怎么说！

【杂谈】我在有三AI从学生到老师

【杂谈】从学员到开发者，我在有三AI打怪升级

【杂谈】有三AI课程兼职讲师，打造自己的影响力，我从这里开始！

【杂谈】蛰伏3年，从学习到负责适合自己方向的项目研发

【杂谈】一个项目获得10倍学费收入，我在有三AI学以致用的故事

【杂谈】从学员到合作伙伴，我与有三AI不得不说的故事

【杂谈】从学员到参与书籍写作，我在有三AI学习与成长的故事

【杂谈】从学员到专栏作者、讲师，我在有三AI学习与名利双收的故事

【杂谈】从学生到讲师，我如何20天里在有三AI赚3万

【杂谈】从失业到重要项目负责人，2020年里我如何在有三AI上岸

【杂谈】参加有三AI秋季划4个月，薪资翻倍，我在有三AI都学了啥？

【杂谈】一个五岁孩子妈妈在有三AI学习并且赚钱的故事 

【杂谈】有三AI-CV春季划有用吗，听听他们的分享

【杂谈】从医学专业转行到AI，独立完成项目到获得加州理工大学读研推荐，我如何与有三AI结缘

如何报名

直接订阅下面的有三AI-CV初阶-基础算法组专栏即可，此后内容增加也不会新增费用。如果已经有附赠的书，可以抵扣费用100，订阅后联系有三微信Longlongtogo获得其他内容。

e0c87db22dbcdea3815797fa228afd23.jpeg

关于学习方式

有三AI-CV初阶-基础算法组学习方式非常自由，包括：

(1) 按照给出的路线和学习资料，分视频，书籍，代码实践3部分可自主把控学习进度，不限制学习时间，永久有效，新增内容会在群里通知。

(2) 有三微信群答疑，有三一对一微信答疑和线下答疑。

(3) 参与内容组，兼职当老师进行锻炼。参与项目组，做真实项目获得收入进行锻炼。

cbbc0cea51dc5edc0b6bc845cea4b169.png

6917b57c3bd4e7b34a362eaaf63146e5.png

往期相关

标签
#人工智能 #学习 #算法 #深度学习
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。
有三AI-视觉算法工程师成长指导手册【2020.5.29】.pdf 这是有三AI原创的超过14万字的深度学习-计算机视觉算法工程师成长指导手册，适合初学者从零成长为高手 立即下载

相关推荐

AI 全套教学视频（三）

1、数据结构基础 2、机器学习基础视频 -- 逻辑回归和朴素贝叶斯

【重要】2023年有三AI-终极VIP会员（CV方向）发布，除课程外还享有5大权益

2023年眨眼就已经下半年了。有的朋友受够了现在单位的无聊，想要跳槽换个新行业新工作；有的朋友面临升学的压力和焦虑，亟需在学术能力和技术能力上得到进步；有的朋友在看到人工智能领域的蓬勃发展后，激发了自己学生年代的学习动力；不管如何，大家都在吸取新的知识，出于喜欢也好，出于就业需求也好，我们现在都习惯了从网上获取各种各样免费与付费的学习资源，出了学校后能走多远，凭的就是自身的学习能力。这两年，我们平...

hacker_long的专栏 973

开源大模型“去审查化”技术解析：从LLaMA架构到本地部署与伦理边界

大型语言模型（LLM）基于Transformer架构，通过海量数据训练获得理解和生成自然语言的能力。其核心原理在于自注意力机制对上下文关系的建模。为了确保输出内容的安全与合规，主流模型普遍采用基于人类反馈的强化学习（RLHF）等技术进行安全对齐。这一过程旨在使模型行为符合人类价值观，是AI伦理工程实践的关键环节。然而，在特定研究场景下，如对抗性测试或内容安全算法研究，技术人员需要模拟极端对话以评估系统鲁棒性，这催生了针对“去对齐”或“移除护栏”的技术探索。此类技术通常通过对预训练模型进行反向微调或继续训练来

weixin_33743880的博客 592

【总结】超1000页有三AI文档资源领取方法汇总！

这几年我们平台输出了很多内容，有免费的也有付费的，有图文也有视频，本次对我们所有文档类资源领取方法做一个汇总。由于公众号分享资源经常会面临失效的问题，因此我们将所有文档资源放置在了有三AI...

hacker_long的专栏 3129

PVE 8.0 保姆级换源教程：从Debian到LXC仓库，一次搞定国内镜像（附弹窗去除）

本文提供PVE 8.0保姆级换源教程，涵盖从Debian基础源到LXC仓库的国内镜像配置，并附赠去除订阅弹窗的实用技巧。通过详细步骤和命令示例，帮助用户快速优化ProxmoxVE环境，提升下载速度并消除干扰提示，适用于虚拟化平台的高效管理。

weixin_33282146的博客 414

利用Matlab实现矩形波导电磁场分布图的绘制

1.利用Matlab实现矩形波导电磁场分布图的绘制；2.学会使用 Matlab 进行数值计算，并绘出相应的图形；通过Matlab 计算并绘出任意时刻金属矩形波导的主模 TE10 模的电磁场分布图。波导尺寸、工作频率及时刻均由外部给定。（1）矩形波导中传输的主模为TE10模。设金属波导尺寸为a*b，TE10模的截止波长为2*a。其电磁场分量可推导表示如下：.......1-1上式中各参量如下：......1-2。

qq_26335381的博客 3059

【年终总结】2021年有三AI做了什么，2022年我们要做什么？

2021年要开始倒计时了，在这一年里，我们相对于2020年，也有了不少的新变化，今天来做一个年终总结。有三AI是什么我们公众号的主旨就是：聚焦于让大家能够系统性地完成AI各个领域所需的专业...

hacker_long的专栏 2731

正版63棋牌源代码游戏+728游戏全套带前端源代码解析

这俩天抽时间仔细看了一下这套项目包含完整的前端、后端及后台管理系统。从上传的截图可以看出，前端基于资源目录，后端采用和，后台管理界面提供数据查询与管理功能。本篇文章将从前端结构、后端接口、数据库设计、常见 BUG 及优化方法等方面逐步拆解，并给出相应的代码示例和实践经验。

aa2031171的博客 3592

【重要】有三AI-终极VIP会员首次发布，除课程外还享有5大权益

2022年终将至，每一年我们社区的内容都会有比较大的变化。2019与2020年公众号专栏+知识星球累积高频次更新了1000多期技术分享，2021年推出了超过10门系统性专栏课程，2022年推出了超过40门项目实战课程。明年我们仍然将有大的变革（提前剧透关键词之一是项目），大家可以保持关注。趁着新年未到，我们首次推出终极VIP会员，这也是我们最后推出的新付费内容形态，下面来给大家进行介绍。什么是终极...

hacker_long的专栏 1259

2024年下半年软考系统架构设计师案例分析题

摘要： 本文包含两个软件系统设计案例。案例一讨论了大语言模型智能系统的质量属性需求分析，识别了功能性、性能、可靠性等需求，并对比了ping/echo和心跳两种故障检测策略。案例二探讨了购物网站的缓存设计，包括Cache-Aside策略的数据读取/更新流程，以及解决缓存一致性的多种方案（消息队列、数据库插件、锁机制等）。此外还涉及Elasticsearch分词器的特点比较和RESTful架构实现前后端分离的原理。这些案例展示了软件架构设计中的质量属性权衡、缓存策略选择及系统解耦等关键技术考量。<｜end

卿着飞翔 1050

Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-差分信号

Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析，通过搭建简易拓扑用于前仿真分析通道的时域性能，下面搭建一个简易的差分拓扑进行说明，以下图为例，准备好发送接收端的IBIS模型, (ibis_se.ibs，本例发送接收端都使用相同的IBIS模型)，以及传输线的S参数模型(welement_se.sp)最上方的图形界面是传输线的模型，本例是一个上下都有参考平面的带状线，右侧的梯形是蚀刻角度，根据W1和W2以及铜厚来确定。

weixin_54787054的博客 440

【重要】有三AI人才库欢迎大家加入！

即日起，有三AI团队正式开启人才库储备，欢迎大家加入，下面是其中一些细节的讲述。人才库是什么有三AI生态如今已经比较庞大，覆盖了技术、产品、运营等工种，囊括了内容创作、技术培训、项目研发...

hacker_long的专栏 752

《Zephyr OS 入门与实战》第3章：第一个 Zephyr 程序 - Blinky 实战

解决方法：确认设备树overlay文件已正确加载。返回值，确认驱动初始化状态。

2301_79143213的博客 541

【总结】初学深度学习与CV，如何拥有一套理论与实践完备的学习资料和专属一对一答疑老师...

不管你是一个刚刚从传统图像处理领域转行到深度学习领域的算法工程师还是刚刚考上大学或者研究生，选修了深度学习与计算机视觉方向的学生亦或是现有的工作岗位增加了对深度学习与图像识别算法需求的IT程序员或者仅仅是对当下最前沿的人工智能与图像技术感兴趣的业余学习爱好者读到了此文，说明你正在寻找合适的学习资源与可靠的学习社区，或许读完下面的介绍后你就获得了想要的答案！即2023年有三AI-CV初阶-基础算法组...

hacker_long的专栏 361

开源鸿蒙具身机器人（ROS2框架）：从内核驱动到智能算法的完整实践

本指导文档旨在为开发者提供完整的开源鸿蒙(OpenHarmony)具身机器人开发解决方案，涵盖从底层驱动到上层ROS2应用的全栈开发流程。文档结合OpenHarmony内核驱动移植技术和ROS2机器人操作系统，为具身机器人开发提供详细的技术指导。具身机器人(Embodied Robot)是指具有物理实体、能够感知环境并与之交互的智能机器人系统。感知-决策-执行闭环多模态传感器融合(视觉、听觉、触觉、力觉)实时环境感知与理解智能决策与规划精确运动控制执行具身智能特性物理世界交互能力。

m0_67505153的博客 1272

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【一对一学习小组】2023年有三AI-CV高阶-项目实战组发布，超过30个案例，60小时项目实战+2大基础方向专栏+3本书赠送...

2023年有三AI-CV高阶-项目实战组正式发布！有三AI已经推出了CV初-中-高级培养计划（原名有三AI-CV季划），这是我们的终身计算机视觉学习小组。该培养计划具有以下特点：【系统性】配套有非常完备的理论与实践【永久性】不限制学习期限，一直有效【成长性】内容保持更新，不额外收费【专业性】原创书+视频讲解+真实项目锻炼【丰富性】数千页PPT，文档，项目等【权威性】工业界资深背景辅导老师，弱运营属...

hacker_long的专栏 679

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")

【视频课】AI必学，超7小时，5大模块，掌握深度学习视觉Transformer模型理论与实践...

前言欢迎大家关注有三AI的视频课程系列，我们的视频课程系列共分为5层境界，内容和学习路线图如下：第1层：掌握学习算法必要的预备知识，包括Python编程，深度学习基础，数据使用，框架使用。第2层：掌握CV算法最底层的能力，包括CNN模型，Transformer模型，图像分类，模型分析。第3层：掌握CV算法最核心的方向，包括图像分割，目标检测，图像生成，目标跟踪。第4层：掌握CV算法最核心的应用，包...

hacker_long的专栏 1456

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

【重要】如何获取超1400页《深度学习之图像识别》书籍配套教学PPT与视频等完整材料

2023年8月有三出版了个人的第6本书籍，《深度学习之图像识别：核心算法与实战案例（全彩版）》，这是国内最全面讲解深度学习计算机视觉核心算法的书籍，已经被一些高校采纳为标准教材。关于书籍的介绍和配套开源代码，请大家阅读：言有三新书出版，《深度学习之图像识别（全彩版）》上市发行，配套超详细的原理讲解与丰富的实战案例！【通知】《深度学习之图像识别（全彩版）》代码和数据已在Github开源，请购买书籍的...

hacker_long的专栏 729

【百家稷学】人工智能基础理论与实践（广西电力职业学院暑期实训）

继续咱们百家稷学专题，本次是有三AI在广西电力职业学院进行的暑期课程教学。百家稷学专题的目标，是走进100所高校和企业进行学习与分享。分享主题本次分享是在广西电力职业学院进行，主题是《人工智能基础理论与实践》，分享人言有三，时长2周。本次主题聚焦人工智能与机器学习、深度学习的基础理论，Python相关的机器学习工具（Numpy，OpenCV等），深度学习框架Pytorch，数据处理等内容。本次实训...

hacker_long的专栏 374

深度学习基础及其发展与应用|AI|ML|DL|算法框架

深度学习的优点包括精确度高、性能好、效果好，能够拟合任意非线性的关系，且框架多，不需我们自己造轮子。然而，它也存在一些缺点，如黑箱、可解释性差，网络参数多、超参数多，需要大量的数据进行训练，训练时间长，对算力有较高要求，且小数据集容易过拟合。此外，深度学习还应用于视频分析（行为分析、实时视频处理等）、游戏和仿真（AI对战、环境模拟等）、推荐系统（个性化推荐）、金融领域（风险评估、欺诈检测等）等多个领域。用统计模型解决问题。百度开发的框架，计算图动态图都支持、有高级API、速度快、部署方便、有专门的平台。

DREAM_xs的博客 1994

【中秋国庆课程优惠】超过200小时的课程等你来取，全年加入有三AI学习的最好时间来了～...

2023年9月28日至10月6日，国庆期间有三AI所有付费的视频课程开启双重优惠活动，有需要的同学不要错过了。本次优惠包括国庆期间的统一折扣，以及每天限量不同额度的优惠券，如下图所示，其中活动价格是已经进行了批量折扣的价格，优惠券则每天有不同额度，两者可以叠加使用，请仔细阅读后文了解。当前已有课程包括：ChatGPT/数据使用/模型分析/图像分类/图像分割/目标检测/图像生成/图像翻译/图像增强/...

hacker_long的专栏 375

【本周特惠课程】深度学习视频分类与行为识别核心算法理论与实战！

前言欢迎大家关注有三AI的视频课程系列，我们的视频课程系列共分为5层境界，内容和学习路线图如下：第1层：掌握学习算法必要的预备知识，包括Python编程，深度学习基础，数据使用，框架使用。第2层：掌握CV算法最底层的能力，包括模型设计基础，图像分类，模型分析。第3层：掌握CV算法最核心的方向，包括图像分割，目标检测，图像生成，目标跟踪。第4层：掌握CV算法最核心的应用，包括人脸图像，图像质量，视频...

hacker_long的专栏 585

【本周特惠课程】深度学习人脸属性编辑GAN算法理论与实践！

前言欢迎大家关注有三AI的视频课程系列，我们的视频课程系列共分为5层境界，内容和学习路线图如下：第1层：掌握学习算法必要的预备知识，包括Python编程，深度学习基础，数据使用，框架使用。第2层：掌握CV算法最底层的能力，包括模型设计基础，图像分类，模型分析。第3层：掌握CV算法最核心的方向，包括图像分割，目标检测，图像生成，目标跟踪。第4层：掌握CV算法最核心的应用，包括人脸图像，图像质量，视频...

hacker_long的专栏 526

人工智能概念之九：深度学习概述

深度学习是 AI 技术金字塔的顶端，属机器学习分支，以深层神经网络实现特征自学习，重构传统机器学习范式，通过端到端流程与非线性建模，高效处理图像等非结构化数据，在精度与自动化上优势显著。 但存在可解释性差、资源消耗大、依赖海量数据等问题。历经 70 年演进，2006 年 DBN、2012 年 AlexNet 等为关键节点。主流框架各有侧重，未来向效率、可解释性、小样本学习、绿色 AI 发展。

Springfield3006的博客 874

【培训】第一届深圳AI视觉项目研发与部署免费线下公开课启动！2023年8月底与我们相约，开启AI视觉之旅！...

人工智能（AI）时代来临，随着技术更新迭代，各行各业都因为深度学习技术而发生变革，技术人员的能力也需要不断更新。面向AI入门者，我们将在2023年下半年开启定期的线下教学，提供深度学习核心方法与典型案例的培训。More本次培训由北京有三教育科技有限公司（公众号：有三AI）组织。培训一共分为五期，本次是第一期培训报名通知，主题是《AI视觉项目研发与部署》，本次培训为免费活动，报名即可参加，不超过50...

hacker_long的专栏 411
上一篇： 【培训】第一届深圳AI视觉项目研发与部署免费线下公开课启动！2023年8月底与我们相约，开启AI视觉之旅！...
下一篇： 言有三新书出版，《深度学习之图像识别（全彩版）》上市发行，配套超详细的原理讲解与丰富的实战案例！...
点赞 0
评论 0
书签 书签 0
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976原创
+ 关注
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

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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