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
200+累计阅读
284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
1、An overview of gradient descent optimization algorithms 中文翻译：https://blog.youkuaiyun.com/u010398493/article/details/77996461
2、CS231n Convolutional Neural Networks for Visual Recognition
太牛逼了！一位中国博士把整个CNN都给可视化了，每个细节看的清清楚楚！
本人浏览器未出来效果- ^-。
图像处理+python+深度学习
深度学习简明教程系列 —— 基础知识（合集）
参考：https://www.zhihu.com/question/53405779 https://zhuanlan.zhihu.com/p/61880018 第一章 模型评估 1.1 基础概念 假设有m个样本，其中有a个样本分类错误，则有：
一文看尽深度学习中的20种卷积（附源码整理和论文解读）
一文看尽深度学习中的20种卷积（附源码整理和论文解读）： https://zhuanlan.zhihu.com/p/381839221
机器学习与深度学习常见面试题
2019 June 25 面试笔记 机器学习与深度学习常见面试题 比较Boosting和Bagging的异同 二者都是集成学习算法，都是将多个弱学习器组合成强学习器的方法。 Bagging：从原始数据集中每一轮有放回地抽取训练集，训练得到k个弱学习器，将这k个弱学习器以投票的方式得到最终的分类结果。 Boosting：每一轮根据上一轮的分类结果动态调整每个样本在分类器中的权重，训练得到k个弱...
一文看尽深度学习中的20种卷积
引言卷积，是卷积神经网络中最重要的组件之一。不同的卷积结构有着不一样的功能，但本质上都是用于提取特征。比如，在传统图像处理中，人们通过设定不同的算子来提取诸如边缘、水平、垂直等固定的特征。...
22张精炼图笔记，深度学习专项学习必备
吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点
22张深度学习精炼图笔记总结
吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点。
2021-06-26一文看尽深度学习中的20种卷积（附源码整理和论文解读）
卷积，是卷积神经网络中最重要的组件之一。不同的卷积结构有着不一样的功能，但本质上都是用于提取特征。比如，在传统图像处理中，人们通过设定不同的算子来提取诸如边缘、水平、垂直等固定的特征。而在卷积神经网络中，仅需要随机初始化一个固定卷积核大小的滤波器，并通过诸如反向传播的技术来实现卷积核参数的自动更新即可。其中，浅层的滤波器对诸如点、线、面等底层特征比较敏感，深层的滤波器则可以用于提取更加抽象的高级语义特征，以完成从低级特征到高级特征的映射。本文将从背景、原理、特性及改进四个维度分别梳理10篇影响力深远的经典卷
Qt 6.5实战：用QMediaPlayer搞定RTSP监控流播放（附LAV Filters解码器避坑指南）
本文详细介绍了如何在Qt 6.5中使用QMediaPlayer实现低延迟RTSP监控流播放，并提供了LAV Filters解码器的配置避坑指南。通过优化缓冲策略和硬件加速设置，显著提升视频流的播放性能和稳定性，适用于工业视觉检测和安防监控等实时场景。
深度学习CV岗位面试基础问题总结（基础篇）
序言 理论知识篇面试知识点总结，自问自答，学习、记录、分享和复习。
kettle多表数据迁移
点击 文件——新建——作业，在左侧的 核心对象 标签下选择 通用，双击添加一个 start ，一个 转换 ，一个 作业 和一个 成功 到右侧的作业面板，这些作业项都可以改名字。点击文件—新建—转换,在左侧的 核心对象 标签下选择 输入 下的 表输入，双击添加到右侧的转换面板，再选择 作业 下的 复制记录到结果 ，双击添加到右侧的转换面板。新建转换，在左侧的 核心对象 标签下选择 作业 下的 从结果获取记录，双击添加到右侧的转换面板，再选择 作业 下的 设置变量 ，双击添加到右侧的转换面板。
用AI生成React/Vue页面？实测Locofy等5款工具，教你选最适合的
本文深度评测了2024年五大AI生成前端页面工具，包括Locofy、Builder.io等，从代码质量、可视化编辑器成本到企业级落地方案进行全面分析。通过实测数据和实战案例，揭示如何利用AI生成技术高效创建React/Vue页面，提升开发效率并优化性能。
【深度学习】嘿马深度学习笔记第8篇：卷积神经网络,2.2案例：CIFAR100类别分类【附代码文档】
1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加载、命令行参数使用）、逻辑回归案例。3. 神经网络基础包括playground使用、多个神经元效果演示、深层神经网络。4. 神经网络
大疆 DJI Mobile SDK实战指南——从零构建Android示例开发环境
本文提供了一份详尽的DJI Mobile SDK Android开发环境搭建实战指南。文章手把手教你从注册开发者账号、获取App Key，到配置Android Studio、下载官方示例代码，最终成功运行DJI官方Android示例程序，帮助开发者快速入门无人机应用开发，避开常见编译与依赖问题。
【大连理工大学】计算机专业选修：深度学习2020期末复习
明天考试，全网也找不到啥题，就尽力复习吧，大家取需~ 题型：单选20‘多选15’判断10‘论述30’ 必考： 计算题： 卷积网络计算，pooling计算 论述题： 过拟合/欠拟合解决方法 KNN，SVM原理 聚类学习Kmeans 梯度下降 数据预处理：中心化、归一化、白化、维数约简 目标检测RPN网络 LSTM：GRU作用，门的作用 1、在实现前向传播和反向传播中使用的“cache”是什么？(D) A.它用于跟踪我们正在搜索的超参数，以加速计算。 B.用于在训练期间缓存代价函数的中间值。 C.我们使用它传递
FPGA矩阵键盘计算器Verilog实现与Quartus仿真全流程解析
本文详细解析了基于FPGA和Verilog的矩阵键盘计算器实现全流程，包括矩阵键盘扫描、状态机设计、算术运算逻辑及数码管显示驱动。通过Quartus仿真与Testbench测试，确保设计稳定性与准确性，适合数字逻辑设计初学者学习FPGA开发与硬件描述语言应用。
闲鱼爬虫实战：模拟手机端破解反爬策略，爬取指定商品搜索数据，爬取闲鱼搜索指定商品（需手机端模拟）o 技术点：抓包分析、cookie与token
技术点作用抓取手机 App 请求，分析 API 结构、Header、参数加密情况requestsPython 中最常用的 HTTP 库，用于发送模拟请求Session 对象自动管理 Cookie，保持会话User-Agent & 设备特征模拟手机型号、系统版本，绕过服务端检测闲鱼部分接口存在签名，需要逆向或复用有效 Token多线程/异步提高爬取效率（需节制，避免封 IP）解析 HTML 或 JSON 数据注意：闲鱼的接口加密程度中等偏上，部分接口存在动态签名（如x-signx-mini-wua。
【深度学习】嘿马深度学习笔记第11篇：卷积神经网络,总结【附代码文档】
1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加载、命令行参数使用）、逻辑回归案例。3. 神经网络基础包括playground使用、多个神经元效果演示、深层神经网络。4. 神经网络
MathType公式使用技巧汇总——Mathtype怎么在word中编辑公式？论文中公式有哪技巧？有哪些注意事项？论文中的公式怎么写？
如果word中到公式编号(2-1)中间的符号如下图........ .......类似与省略号的，这是手动打的空格，公式和编号的位置都是手动敲空格操作的，这种就只是使用MathType写了公式而已，格式上还是很不方便的。**如果要修改公示，直接双击文档中的公式，就会自动弹出MathType公式编辑窗口，进行修改。如果要修改公示，直接双击文档中的公式，就会自动弹出MathType公式编辑窗口，进行修改。而第二种，是公式里面带的括号符号，他是可以随着公式结构自适应变化的。这时需要将公式插入到一行文字的某处，
【深度学习】嘿马深度学习笔记第7篇：卷积神经网络,3.1 卷积神经网络(CNN)原理【附代码文档】
1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加载、命令行参数使用）、逻辑回归案例。3. 神经网络基础包括playground使用、多个神经元效果演示、深层神经网络。4. 神经网络
Spring AI 实战：第七章、Spring AI Advisor机制之记忆大师
从金鱼到最强大脑通过 Spring AI 的记忆功能，我们成功让 AI：记住了用户身份实现了多用户隔离做到了持久化存储最终效果用户：“和上次一样” → AI 秒懂用户：“你知道我的名字吗？” → AI：“当然，张三！AI的进化路线🐟金鱼脑 →🧠最强大脑 →🏛️记忆宫殿管理员。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
深度学习精炼图笔记总结
机器之心整理，参与：思源、刘晓坤信息图下载地址：https://pan.baidu.com/s/1DtYg3TyplXQOVZ-YmplJaw吴恩达在推特上展示了一份由 TessFerra...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
【深度学习】深度学习三十问！一位算法工程师经历30+场CV面试后总结的常见问题合集（含答案）...
作者丨灯会来源丨极市平台编辑丨极市平台导读作者灯会为21届中部985研究生，凭借自己整理的面经，去年在腾讯优图暑期实习，七月份将入职百度cv算法工程师。在去年灰飞烟灭的算法求职季中，经过...
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
小小几张图，把深度学习讲透彻
来源 | 迈微电子研发社作者 |Wei ZHANG头图| 下载于视觉中国吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
8279
扫一扫
