深度学习

最新推荐文章于 2025-11-28 15:37:34 发布
原创 最新推荐文章于 2025-11-28 15:37:34 发布 · 305 阅读 · 0 ·
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：

#人工智能

本文介绍了几个主流的深度学习框架，包括Deeplearning4j、Amazon的DSSTNE、以及谷歌的TensorFlow等。这些框架为开发者提供了强大的工具来构建和训练深度学习模型，并且在不同的应用场景中发挥着重要作用。
部署运行你感兴趣的模型镜像

 

http://www.oschina.net/p/deeplearning4j

 

 

深度学习

https://github.com/deeplearning4j/deeplearning4j

 

亚马逊深度学习

http://www.oschina.net/news/73461/amazon-dsstne

 

谷歌深度学习

http://www.oschina.net/p/tensorflow

tensorflow 中文文档

http://www.oschina.net/news/69015/tensorflow-zh

 

 

http://www.open-open.com/news/view/1e1fcf2

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

iteye_11910
关注
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 8万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 9万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
Python深度学习环境配置（Pytorch、CUDA、cuDNN），包括Anaconda搭配Pycharm的环境搭建以及基础使用教程（保姆级教程，适合小白、深度学习零基础入门）
sdjklghiof的博客
04-16 7万+
本文旨在帮助想要入门深度学习的小白进行深度学习的环境配置，总结了一台电脑从零开始配置到调用Pytorch使用GPU进行深度学习计算的全过程环境搭建，并包含了Anaconda搭配Pycharm的环境搭建以及一些基本使用方法。
深度学习介绍
2301_77698138的博客
09-12 2100
定义：深度学习是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。它是机器学习的一个分支，通过学习样本数据的内在规律和表示层次，使机器能够像人一样具有分析学习能力，识别文字、图像和声音等数据。核心：深度学习的核心在于构建多层非线性处理单元（即神经元）的网络结构，这些网络可以从原始数据中自动提取特征并进行学习。
深度学习算法
ning的博客
09-11 2827
深度学习作为人工智能领域的一次重大突破，其强大的数据处理能力和特征提取能力使其在多个领域展现出了巨大的潜力。随着研究的深入和技术的发展，深度学习将继续推动人工智能的进步，为人类社会带来更多的便利。版权声明：本博客内容为原创，转载请保留原文链接及作者信息。参考文章深度学习常见算法的介绍和比较一文看懂深度学习（白话解释+8个优缺点+4个典型算法）
揭秘AI：机器学习与深度学习的奥秘
Edison's 小宇宙
03-14 4万+
从0到1：揭秘人工智能背后的机器学习与深度学习
深度学习通俗简述
weixin_63053052的博客
03-30 5304
特征表示学习 简述： 特征表示学习是一套给机器灌入原始数据，然后能自动发现需要进行检测和分类的表达的方法 。 传统机器学习算法： 传统的机器学习算法，需要人为设计特征。比如要用线性回归预测一所房子的价格，我们会人为划分出面积、地段等要素，这些要素就是我们人为划分出来的特征。 但是，人为划分出来的特征往往是是不足够的，而且很多时候并不准确。比如我们划分除了面积和地段，却遗漏了房屋年限这一也很重要的要素，即使我们经过精确的统计和计算划分出了上百个特征，也依然存在遗漏或不准确的可能。 深度学习算法：
深度学习环境搭建
m0_62497785的博客
07-09 2186
本文简要介绍深度学习环境的配置
流形与深度学习
HappinessSourceL的博客
03-20 2330
转载自：https://yifdu.github.io/2018/11/25/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%8E%E6%B5%81%E5%BD%A2%E5%AD%A6%E4%B9%A0%EF%BC%88%E4%B8%80%EF%BC%89/ 什么是流形 流形学习的观点：认为我们所观察到的数据实际上是由一个低维流形映射到高维空间的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上这些数据只要比较低的维度的维度就能唯一的表示。所.
深度学习的核心特点：全面解析
2301_80744520的博客
09-28 2163
近年来，成为了人工智能领域的核心推动力量，它的成功不仅仅是算法的创新，还包括方法论和实践模式的巨大转变。本文将深入分析深度学习的核心特点，并揭示它为何在多个领域中取得了突破性的进展。
精选资源
深度学习入门学习材料.pdf
12-03
深度学习作为人工智能的一个分支，近年来得到了迅猛的发展，其在图像识别、语音识别、自然语言处理等多个领域都有突出的应用。深度学习的基础是深度神经网络，它模拟了人类大脑神经元的结构和功能，通过学习大量的...
《动手学深度学习2.0-李沐Pytorch版》
07-24
内容概要：《动手学深度学习2.0-李沐Pytorch版》是一本结合理论与实践的深度学习教材，旨在帮助读者掌握深度学习的核心概念和实践技能。全书分为三个主要部分：基础知识和预备知识、现代深度学习技术和应用、以及可...
精选资源
深度学习课件PPT资源
05-21
深度学习是人工智能领域的一个重要分支，它通过模拟人脑神经网络的工作原理，让计算机能够从大量数据中自动学习特征并进行预测或决策。本资源包包含的“深度学习课件PPT”是一系列用于教学或自我学习的演示文档，...
精选资源
吴恩达-深度学习-课后作业-答案与总结
09-26
深度学习作为当今人工智能领域中最激动人心的研究方向之一，已经广泛应用于图像识别、语音识别、自然语言处理、自动驾驶等多个领域，并持续推动着技术革新与产业变革。吴恩达教授作为该领域内的知名专家，在其深度...
PyTorch深度学习实战
09-07
本书系统讲解使用PyTorch构建深度神经网络的核心技术，涵盖卷积网络、循环网络与风格迁移等关键应用。通过真实案例，读者将掌握数据预处理、模型训练与优化的全流程，深入理解神经网络架构与自然语言处理任务。配套...
（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）
2501_92808811的博客
11-25 793
在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
最新发布
人工智能领域博客
11-28 481
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
信息检索13
2301_80828873的博客
11-26 1163
最近邻检索的方法，PQ，IVF,HNSW
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 944
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
深度学习框架PyTorch实践指南
由于提供的信息十分有限，并没有详细的内容描述，仅有一个文件名“d2lzh_pytorch.zip”，一个标题“d2lzh_pytorch”，一个描述“d2lzh_pytorch”以及一个标签“深度学习”，可以推测这个文件可能与深度学习框架...
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
 
红包 添加红包
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