(MIT)Deep learning 学习笔记（3）

最新推荐文章于 2025-11-24 21:26:24 发布
原创 最新推荐文章于 2025-11-24 21:26:24 发布 · 340 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：

#深度学习 #麻省理工

本文探讨了深度学习兴起的原因，包括计算机硬件的发展和大数据时代的到来。作者正在学习《Applied Math and Machine Learning Basics》，希望通过系统学习为后续研究打下坚实的基础。
部署运行你感兴趣的模型镜像 
最近事情很多，房子漏水要换房整整折腾了一周。
虽然是第三次写学习笔记了，但才刚刚读完序章，第一章还没开始。绪论后半部分是围绕着深度学习因何而变得炙手可热的。随着计算机硬件发展，运算能力进一步提高，那么深度学习的模型的复杂上限也越来越高。再加上数据库的不断膨胀，导致所谓的“大数据”时代来临，海量的数据使得深度学习如鱼得水，再加上基本结构简单，人们开发了各式各样的神经网络。
然后开始第一部分学习，Applied Math and MachineLearning Basics
果然是离不开数据，不过也让我很好奇，在我而言，现在越来越觉得数据越多就越能从中更容易的发现真理。海量的数据会把真理藏的很深。估计也要另开一坑学习支持向量机了，系统的学习是为了以后打下好的基础。这里只是自己记录学习过程的笔记，记录的是自己随时所想所得。
。。看了一个小时的线代。。。。

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

论文阅读笔记——Xception: Deep Learning with Depthwise Separable Convolutions
人生不是轨道，是旷野。希望每天都有好心情。
09-14 1223
我们提出了卷积神经网络中Inception模块的解释，作为常规卷积和深度可分离卷积操作(深度卷积之后是点卷积)之间的中间步骤。从这个角度来看，深度可分离卷积可以被理解为具有最大数量塔的Inception模块。这一观察结果使我们提出了一种受Inception启发的新型深度卷积神经网络架构，其中Inception模块已被深度可分离卷积所取代。
(MIT)Deep learning 学习笔记（1）
logicor的博客
03-20 845
从今天每天会定量学习DEEP LEARNING。MIT这本书可以说是DEEP LEARNING 方向的启蒙，这个博客系列将会是我学习笔记。 开篇就告诉了我们，这本书是为了想了解深度学习的年轻本科生或者像我这种想从图像算法转行做DL的人准备的。 人类的文化形成了近千年，人的意识早就抽象的不能早抽象了，虽然是由神经元的简单连接、刺激，但是人类的思维已经复杂到连人类自己都无法模拟了。国外曾经有人多次尝试通
Deep Learning for Computer Vision 课程笔记
qq_34929889的博客
05-19 1092
Deep Learning for Computer Vision 课程笔记–Lecture 1 计算机视觉(Computer Vision)和机器学习(Machine Learning)都属于人工智能(Artificial Intelligence)。深度学习(Deep Learning)是机器学习的一个子集，它与计算机视觉相交，并属于更大的AI领域。 CV和DL的背景 计算机视觉的历史是从60年代初开始的，Block World 是由Larry Roberts出版的一部作品，被广泛地称为计算机视觉的第一
MIT 6.S191: Evidential Deep Learning学习笔记
Rad1ant_up的博客
12-15 6551
MIT公开课——Evidential Deep Learning
MIT深度学习笔记（一）深度学习简介
2401_83429166的博客
07-28 2273
超级超级超级好用的深度学习入门课程，快来和我一起学习吧。有任何见解都欢迎指教，有任何疑问都可以在评论区留言。你们的关注和点赞是我不断创作的动力！
（MIT）DEEP LEARNING 学习笔记（2）
logicor的博客
03-21 293
今天看了书中的第二部分，主要介绍DEEP LEARNING 的历史和演化历程。 从最开始的线性分类器，到后面的仿生物感知器，最后到DEEP LEARNING。深度学习经过了一次次的进化。 书中把进化时候每类都拿出来单独讲了些，对理解深度学习有很大帮助
Deep Learning（深度学习）学习笔记
缘分天空，美丽的梦的博客
11-12 3072
一、概述 Artificial Intelligence，也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生“自我”的意识。是的，在人类和大量现成数据的帮助下，电脑可以表现的十分强大，但是离开了这两者，它甚至都不能分辨一个喵星人和一个汪星人。 图灵（图灵，大家都知道吧。计算机和人工智能的鼻祖，分别对应于其
Deep Learning（深度学习）学习笔记整理
小鬼柯南
05-04 1808
转载：http://blog.youkuaiyun.com/u011964544/article/details/37960807?locationNum=8&fps=1 目录： 一、概述 二、背景 三、人脑视觉机理 四、关于特征 4.1、特征表示的粒度 4.2、初级（浅层）特征表示 4.3、结构性特征表示 4.4、需要有多少个
【深度学习（Deep Learning）】学习笔记 9-3
Graduate2015的博客
12-24 1273
前言 本篇我们将继续讨论卷积神经网络（CNN）。我们将讨论CNN中除卷积操作之外的另一个重要操作，即池化（Pooling）。我们将介绍池化操作，并重点讨论其背后的逻辑。本篇为《深度学习》（Yoshua Bengio， et al.）第9章学习笔记，主要涵盖第9.3节和9.4节内容，经本人学习、理解并加以加工。由于水平有限，如有不当之处，欢迎大家指出，一起学习交流。 池化的优点或特点： 近似不变性（Approximately Invariant） 节省内存开销，提升计算效率 可处理可变大小的输入 池化的
【机器学习笔记】可解释机器学习-学习笔记 Interpretable Machine Learning (Deep Learning)
VentusDeus的博客
12-13 1162
可解释机器学习-笔记和代码
鱼类识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-24 2012
鱼类识别系统，基于TensorFlow搭建卷积神经网络算法，通过收集了包括‘墨鱼’、‘多宝鱼’、‘带鱼’、‘石斑鱼’等在内的30种鱼类图像数据集进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
ResNet (2015)（卷积神经网络）
weixin_45556264的博客
11-23 678
它不是一个复杂的理论突破，而是一个极其优雅和有效的工程解决方案，其“大道至简”的思想深刻地影响了整个领域。直到今天，基于ResNet的架构仍然是许多视觉任务的强大基线。在ResNet出现之前，主流的认知是：网络越深，表达能力越强，性能应该越好。论文中提出了几种不同深度的ResNet变体，最著名的是ResNet-34和ResNet-50/101/152。这种下降不是由过拟合引起的，因为即使在训练集上，深层的模型误差也比浅层模型更高。这是ResNet的核心构建模块。，巧妙地解决了极深神经网络的。
Week 26: 深度学习补遗：LSTM 原理与代码复现
MCHacker的专栏
11-23 986
本周对 LSTM模型利用PyTorch进行了复现，将其实现与数学形式进行了逐条对应，清晰、重点地理解门控机制与细胞状态与其在时序场景下的应用。在 2017 年 Transformer 架构（Attention 机制）横空出世之前，LSTM 曾是序列建模（NLP、语音、时序）的绝对王者。而在 2025 年的今天，它不再是唯一的 SOTA，但依然是非常棒的轻量级选择。本周阅读了一些时序预测领域的工作，发现LSTM在时序预测领域仍然相当活跃，在本周对LSTM进行了数学原理的复习、代码的简单复现和其应用场景的分析。
生成式AI开发入门：Python实现GAN与Diffusion模型
我是 二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~
11-23 1207
# 生成式AI开发入门：Python实现GAN与Diffusion模型
【深度学习新浪潮】如何使用多模态大模型进行图片的开放词汇语义分割？
智能守恒_HengAI
11-23 176
"""加载并预处理图像""""""使用Grounding DINO检测目标边界框""""""使用SAM生成分割掩码"""# 转换图像为numpy数组# 设置SAM图像编码器# 转换边界框格式（xyxy -> yxyx，且归一化到0-1）boxes_yxyx = boxes_xyxy[:, [1, 0, 3, 2]] # SAM要求yxyx格式# 生成掩码本文提出的泛化性强：支持任意文本描述的类别分割，无需重新训练。易用性高：基于开源库构建，代码量少于200行即可落地。性能可靠。
植物识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-24 724
植物识别系统，基于TensorFlow搭建卷积神经网络算法，通过对6种常见的植物叶片图片数据集（涵盖广玉兰、杜鹃、梧桐、樟叶、芭蕉、银杏六类常见植物）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
深度学习——神经网络
最新发布
2303_80634169的博客
11-24 3356
本文梳理了深度学习中的核心网络模型及其组件。基础模型包括MLP（全连接层堆叠）、CNN（卷积结构处理图像）、RNN（循环结构处理序列）和Transformer（自注意力机制）。扩展模型涵盖跨模态融合（如CLIP）、图神经网络（如GCN）和强化学习网络（如DQN）。核心组件涉及网络层（卷积/全连接/注意力等）、激活函数（ReLU/Sigmoid等）、优化器（Adam/SGD等）、损失函数（交叉熵/MSE等）以及数据处理方法。通过系统分类和典型示例，为深度学习模型选择与设计提供参考框架。
深度学习--TensorFlow框架使用
2502_91709799的博客
11-23 433
TensorFlowTensor - 张量 - 数据Flow - 流动若不想要显示警告日志，增加代码import os图结构：数据（Tensor)+操作(Operation)
Transformer-LSTM 多变量回归预测：Matlab 实现与探索
2508_94230129的博客
11-24 649
Transformer - LSTM 这种组合模型，结合了 Transformer 在处理长序列依赖关系的优势，以及 LSTM 对时间序列数据中短期和长期依赖捕捉的能力。在多变量单输出回归任务里，它就像一个聪明的猎手，能从多个变量中“嗅出”与目标输出相关的关键信息。比如在一些复杂的经济数据预测场景中，多个经济指标（变量）共同影响着某一经济趋势（输出），这个模型就能大显身手。
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