- 博客(13)
- 收藏
- 关注
RSS订阅原创 论文阅读：Deep & Cross Network for Ad Click Predictions
论文题目：Deep & Cross Network for Ad Click Predictions作者：Ruoxi Wang、Bin Fu、Gang Fu、Mingliang Wang1 论文要点该模型是对Wide&Deep模型的一种改进。由于Wide&Deep模型的Wide部分的特征交互需要特征工程，而手工设计特征工程非常的繁琐。所以作者对Wide部分进行更改，提出了一个Cross Network来自动进行特征之间的交叉，并且网络的时间和空间复杂度都是线性的。通过与Dee
2020-10-16 16:08:49
436
转载 反向传播和梯度下降的关系
1 梯度下降法（Gradient Descent Algorithm）梯度下降法是一种通用的优化算法，中心思想是沿着目标函数梯度的方向更新参数值以希望达到目标函数最小（或最大）。梯度下降法是深度学习网络最常用的优化算法。除了深度学习，很多其他场合也会用梯度下降法。我们需要到达山底，就需要在每一步观测到此时最陡峭的地方，梯度就恰巧告诉了我们这个方向。梯度的方向是函数在给定点上升最快的方向，那么梯度的反方向就是函数在给定点下降最快的方向，这正是我们所需要的。所以我们只要沿着梯度的方向一直走，就能走到局部的最
2020-06-26 08:42:54
10817
原创 python实现读取本地图片修改名称并重新保存
1 实现功能Excel文件打开和读取指定单元格图片文件名称获取及修改修改后图片的重新保存对无用图片进行删除2 具体代码import xlrdimport osfrom datetime import datetimefrom xlrd import xldate_as_tupleROOT_DIR = os.path.abspath("../")img_path = os.path.join(ROOT_DIR, "D://图片集") # 图片文件路径imglist = os.l
2020-06-24 19:02:03
2716
原创 论文阅读：基于 LSTM-RNN 模型的铁水硅含量预测
论文题目：基于 LSTM-RNN 模型的铁水硅含量预测作者：李泽龙，杨春节，刘文辉，周恒，李宇轩（浙江大学控制科学与工程学院，浙江 杭州 310027）论文要点1 研究背景及方法比较2 研究方法论述3 性能比较及结果分析4 心得体会1 研究背景及方法比较1.1 研究背景硅含量是炼铁过程重要的参考指标。在稳定工况下，当硅含量低于 0.4%时，炉温一般低于1500℃，无法正常炼铁；硅含量高于 0.6%时，温度过高，焦炭的消耗过高。为了炼铁过程的稳定进行，一般需要将硅含量控制在 0.4%～
2020-06-21 11:18:21
1439
1
原创 论文阅读：ImageNet Classification with Deep Convolutional Neural Networks
论文题目：ImageNet Classification with Deep Convolutional Neural Networks作者：Alex Krizhevsky、Ilya Sutskever、Geoffrey E. Hinton论文要点论文简述论文要点网络架构学习细节实验结果结果讨论1 论文简述本文主要使用深度学习技术，讲述了一种可实现的神经网络架构，在ImageNet LSVRC-2010比赛中将120万张高分辨率图像分为1000个类别，获得的top-1和top-5错误
2020-06-11 09:25:17
654
原创 论文阅读：高炉炼铁工序入炉焦比预测的研究
论文题目：高炉炼铁工序入炉焦比预测的研究作者：岳有军、董安、赵辉、王红君论文要点1 研究背景及方法比较2 研究方法论述灰色关联度分析（GRA）最小二乘支持向量机（LSSVM）粒子群算法（PSO）基于以上三种算法的组合建模3 结果分析4 文章小结1 研究背景及方法比较目前在高炉入炉焦比模型的研究中，建模方法大致分为两种：传统建模方法：参数回归建模、基于物料平衡的建模等。缺陷：涉及大量的计算，计算过程依据高炉反应的过程机理，建立的模型复杂、耗时且准确性较差。人工智能方法：BP
2020-06-10 10:15:19
805
原创 阿里云天池竞赛-零基础入门CV赛事-Task5 模型集成
Task05：模型集成（3天）学习目标学习集成学习方法以及交叉验证情况下的模型集成学会使用深度学习模型的集成学习模型集成集成学习方法介绍深度学习中的集成学习DropoutTTASnapshot结果后处理...
2020-06-03 12:36:28
296
转载 阿里云天池竞赛-零基础入门CV赛事-Task4 模型训练与验证
在上一章节我们构建了一个简单的CNN进行训练，并可视化了训练过程中的误差损失和第一个字符预测准确率，但这些还远远不够。一个成熟合格的深度学习训练流程至少具备以下功能：在训练集上进行训练，并在验证集上进行验证；模型可以保存最优的权重，并读取权重；记录下训练集和验证集的精度，便于调参。4 模型训练与验证为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解，在部分小节中将会结合Pytorch代码进行讲解。4.1 学习目标理解验证集的作用，并使用训练集和验证集完成训练学
2020-05-30 20:09:57
274
转载 阿里云天池竞赛-零基础入门CV赛事-Task2 数据读取与数据扩增
2 数据读取与数据扩增本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。2.1 学习目标学习Python和Pytorch中图像读取学会扩增方法和Pytorch读取赛题数据2.2 图像读取由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。2.2.1 PillowPillow是Python图像处理函式库(PIL）的一个分支。Pillow
2020-05-26 18:16:56
235
转载 阿里云天池竞赛-零基础入门CV赛事-Task3 字符识别模型
3 字符识别模型本章将会讲解卷积神经网络（Convolutional Neural Network, CNN）的常见层，并从头搭建一个字符识别模型。3.1 学习目标学习CNN基础和原理使用Pytorch框架构建CNN模型，并完成训练3.2 CNN介绍卷积神经网络（简称CNN）是一类特殊的人工神经网络，是深度学习中重要的一个分支。CNN在很多领域都表现优异，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。CNN每一层由
2020-05-26 17:40:07
145
原创 天池竞赛-零基础入门CV赛事-Task2 数据读取与数据扩增
2数据读取与数据扩增2.1学习目标学习Python和Pytorch中图像读取学会扩增方法和使用Pytorch读取赛题数据2.2数据读取与数据扩增2.2.1图像读取（还在学习中……）PillowOpenCV2.2.2数据扩增方法数据扩增介绍数据扩增的目的是为了减少神经网络训练过程中的过拟合现象。常见的数据扩增方法常见的数据扩增方法主要有两种：一是翻转，可以将已有数据集的图片进行水平或垂直翻转，通过反转可以将数据集翻倍，虽然效果不及收集一组新图片那么好，但是可以大大节省获取更多
2020-05-23 20:08:51
233
转载 这5大研究热点可能会改变个性化推荐系统的未来2018
时间 | 2018-11-29作者 | 微软亚洲研究院社会计算组编辑 | NatalieAI 前线导读： 本文将从深度学习的应用、知识图谱的应用、强化学习的应用、用户画像、可解释推荐等几个方面切入，看看未来推荐系统最重要的几大研究方向。更多优质内容请关注微信公众号“AI 前线”（ID：ai-front）“猜你喜欢”、“购买过此商品的用户还购买过……”对于离不开社交平台、电商、新闻阅读、生活服务的现代互联网用户来说，个性化推荐已经不是什么新鲜事儿。随着信息技术和互联网行业的发展，信息过载成了人们处
2020-05-23 11:02:45
4694
转载 阿里云天池竞赛-零基础入门CV赛事-Task1 赛题理解
##1赛事理解赛题名称：零基础入门CV之街道字符识别赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。###1.1学习目标理解赛题背景和赛题数据完成赛题报名和数据下载，理解赛题的解题思路###1.2 赛题数据赛题以街道字符为为赛题数
2020-05-18 20:21:35
1222
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人