- 博客(1336)
- 资源 (9)
- 收藏
- 关注
RSS订阅转载 饮冰l于 2021-02-05 15:16:54 发布 1288收藏 11分类专栏： 图 文章标签： 算法 数据挖掘 机器学习 深度学习版权图 专栏收录该内容66 篇文章 23 订阅订
前言：本文的作者认为对于 GNN 的可解释性不足。基于此，作者在节点分类任务上提出可以通过将忽略图结构的浅层模型与两个利用标签结构中相关性的后处理方法相结合，超越或匹配最先进的 GNN 。具体如下:(i)误差相关性：传播训练数据中的残余误差以纠正测试数据中的错误信息(ii)预测相关性：在测试集数据上进行平滑预测作者将整个过程称为 Correct and Smooth (C&S)。其中后处理步骤是通过对早期的基于图的半监督学习方法的标准标签传播方法进行修改实现的。该方法实现了惊人的性能提升，在 OGB-P
2022-09-10 22:39:34
468
转载 ####好好好###图神经网络系统介绍与总结分析
图神经网络算法将深度神经网络的运算(如卷积、梯度计算)与迭代图传播结合在一起：每个顶点的特征都是由其邻居顶点的特征结合一组深度神经网络来计算。但是, 现有的深度学习框架不能扩展和执行图传播模型，因此缺乏高效训练图神经网络的能力，并且现有框架一般采用数据/模型并行来分布式训练深度神经网络，这种并行计算方法难以直接应用于图神经网络，因此限制了训练大规模图神经网络的能力。而现有的图处理系统虽然能够表示迭代图传播模型，并能有效支持大规模图的迭代计算，但是缺乏支持神经网络计算的关键能力，如张量抽象、自动微分等
2022-05-05 14:19:56
670
转载 ####好好好#####时序数据库介绍和使用
1.基础1.1 时序数据的定义什么是时间序列数据（Time Series Data，TSD，以下简称时序）从定义上来说，就是一串按时间维度索引的数据。用描述性的语言来解释什么是时序数据，简单的说，就是这类数据描述了某个被测量的主体在一个时间范围内的每个时间点上的测量值。它普遍存在于IT基础设施、运维监控系统和物联网中。 对时序数据进行建模的话，会包含三个重要部分，分别是：主体，时间点和测量值。套用这套模型，你会发现你在日常工作生活中，无时无刻不在接触着这类数据。如果你是一个股民，某只股票的股价
2022-04-07 18:39:05
827
转载 ####好好好#####强化学习白话解释
强化学习是机器学习里面非常重要的一个派别。智能体 (agent) 会不断执行一些操作，通过结果来学习，在不同的环境中分别应该采取怎样的行动。在一系列教学文章里，我们可以了解不同的架构，来解决强化学习的问题。Q学习，深度Q网络 (DQN) ，策略梯度(Policy Gradients) ，演员-评论家 (Actor-Critic) ，以及近端策略优化 (PPO) 都是将要涉及的算法。这是本系列的第一篇文章，你可以抓住的重点有：· 什么是强化学习，以及为什么奖励最重要· 强化学习的三种方式
2022-03-04 10:12:26
477
原创 强化学习核心概念区分
1. 区分强化学习/有监督学习/无监督学习- 这是三种不同的训练方式，核心区别在于loss的设计。- 三者可用于同一 task，就像锤子和砍刀都可以用于砸钉子。- task 选用哪一种工具，取决于获取 loss 所需数据的性价比。比如风格转移，使用Discriminator 判断 sample 是否属于目标域，显然优于一一标记数据集后进行有监督学习。2. 区分 Return(s,a) 和 reward(s,a)- reward(s,a) 是 environment 在状态s下，对行为a的单步奖励
2022-03-03 14:34:39
734
原创 ####好好#####利用各种信息作为因子的股票价格预测模型研究过程
完整架构概述在这篇文章中，我将创建一个预测股票价格变动的完整过程。我们将使用生成对抗网络（GAN）与LSTM（一种循环神经网络）作为生成器，使用卷积神经网络CNN作为鉴别器。我们使用LSTM的原因很明显，我们正在尝试预测时间序列数据。为什么我们使用GAN，特别是卷积神经网络（CNN）作为鉴别器呢？这是一个很好的问题：稍后会有特别的部分。当然，我们将详细介绍每个步骤，但最困难的部分是GAN：成功训练GAN的非常棘手的部分是获得正确的超参数集。出于这个原因，我们将使用贝叶斯优化（还有高斯过程）和深度强化学习
2022-03-02 15:47:05
1423
2
转载 基础扫盲篇--【强化学习】自动股票交易算法
用算法自动交易股票？今天给大家分享最近学习的一篇ICAIF 2020会议论文，《Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy》——深度强化学习在股票自动交易中的应用。背景想象你现在手上有一笔钱要拿来炒股，怎样能在坎坷的股市里获利或者换句话说怎样让钱生钱？思考这个问题之前，先来看看我们是怎么玩超级玛丽的吧。“简单啊，先这样再这样最后就赢啦！”，别急先来个分解动作吧：1. 我们的眼睛观察到了
2022-02-23 14:49:20
1733
转载 Python金融学基础——夏普比率(Sharpe-ratio)和资产组合价值(portfolio-value)
前面的课程主要是在研究Pandas的时序分析实现，以及利用statsmodel对时序数据进行ARIMA以及有权重的ARIMA模型的建模，并尝试预测未来的走向。从这节课开始，我们正式进入Python金融学基础，会介绍一些金融学的概念和实现方法。本节课主要以苹果、亚马逊、IBM、思科以及沃尔玛的股票市场价格为原始数据，分析这几只股票的资产组合的计算方式和夏普比率的计算，其中会涉及到日收益率、累积收益率的计算等等。本文主要流程：一、基本概念1.1 资产组合我们的资产往往不是单一的
2022-02-09 11:53:14
5706
转载 TA-Lib介绍以及使用
引言TA-Lib，全称“Technical Analysis Library”, 即技术分析库，是Python金融量化的高级库，涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。TA-Lib可分为10个子板块：Overlap Studies(重叠指标)，Momentum Indicators(动量指标)，Volume Indicators(交易量指标)，Cycle Indicators(周期指标)，Price Transform(价格变换)，Vol
2022-02-04 20:37:23
5407
转载 拆书：麦肯锡结构化战略思维：如何想清楚、说明白、做到位
推荐多样性重排算法之MMR“本文介绍了推荐系统中的多样性重排序算法Maximal Marginal Relevance (a.k.a MMR)，并给出了该算法的python实现代码。”文章来源：icebear https://zhuanlan.zhihu.com/p/102285855Maximal Marginal Relevance (a.k.a MMR) 算法目的是减少排序结果的冗余，同时保证结果的相关性。最早应用于文本摘要提取和信息检索等领域。在推荐场景下体现在，给用户推荐相关商品...
2022-01-03 21:11:13
3281
转载 多模态bert-基于双流的bert 笔记 ViLBert、LXMERT、IMAGEBERT
ViLBert paper: ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks基于双流的 ViLBERT，在一开始并未直接对语言信息和图片信息进行融合，而是先各自经过 Transformer 的编码器进行编码。分流设计是基于这样一个假设，语言的理解本身比图像复杂，而且图像的输入本身就是经过 Faster-RCNN 提取的较高层次的特征，因此两者所需要的编码深.
2021-11-03 18:33:51
740
原创 python列表顺序去重
第一种a=['1', 'c', 'q', 'a', 5, 'c', 'a']d=list(set(a))d.sort(key=a.index)print(d)第二种a=['1', 'c', 'q', 'a', 5, 'c', 'a']d=[]for i in a: if i not in d: d.append(i)print(d)
2021-10-25 09:44:54
332
转载 腾讯内容处理和分发中的算法应用探究
近期，腾讯PCG新闻产品技术部算法中心李彪应邀来到腾讯媒体研究院作内部分享，详细梳理了算法应用产品场景，以下为部分内容实录。今天我跟大家分享的主题是算法赋能的内容处理和分发，重点讲一下内容处理。开始之前，先介绍一下算法在腾讯新闻的应用场景。第一个，腾讯新闻APP中各种内容形态（如图文、视频、音频、话题、问答等）的理解和分发，涉及推荐系统，以及AI算法赋能内容的运营。第二个，将腾讯新闻推送到微信，每次一个大图和三条新闻资讯，一共四条，点进去有些底层页能跳转到腾讯新闻APP。第三个，海豚智音
2021-10-12 18:35:41
639
转载 ###好好好###今日头条推荐算法原理全文详解
本次分享将主要介绍今日头条推荐系统概览以及内容分析、用户标签、评估分析，内容安全等原理。一、系统概览推荐系统，如果用形式化的方式去描述实际上是拟合一个用户对内容满意度的函数，这个函数需要输入三个维度的变量。第一个维度是内容。头条现在已经是一个综合内容平台，图文、视频、UGC小视频、问答、微头条，每种内容有很多自己的特征，需要考虑怎样提取不同内容类型的特征做好推荐。第二个维度是用户特征。包括各种兴趣标签，职业、年龄、性别等，还有很多模型刻划出的隐式用户兴趣等。第三个维度是环境特征。这是移动
2021-10-12 14:49:49
618
转载 ###好好好好##知识图谱在金融风控领域的应用现状
2020年是个人触碰知识图谱时间最多的一年，技术知识的重新梳理和学习，相关项目的参与，几乎从年初持续到年末。一直想总结知识图谱在金融领域的应用现状，但总是挣不脱一个字：乱。最直观的“乱象”是不同机构对这项技术的称呼五花八门——关联网络、关系图谱、复杂网络、知识图谱。严格来讲它们彼此之间紧密相连又有所区别，本文并不打算严谨地去论证它们的区别和联系，请允许我偷懒采用图谱这个名称来泛指这项技术，就是各位所想的——节点-关系网络。图谱之乱远不止此。 金融风控技术演进路线是规则-模型-图谱，对应的技术分别是数
2021-10-12 14:48:09
567
转载 SIGIR‘21|SGL基于图自监督学习的推荐系统
本篇文章主要介绍王翔、何向南老师团队在SIGIR2021上发表的文章SGL，Self-supervised Graph Learning for Recommendation[1]。这篇文章提出了一种应用于用户-物品二分图推荐系统的图自监督学习框架。核心的思想是，对输入的二分图，做结点和边的dropout进行数据增强，增强后的图可以看做原始图的子视图；在子视图上使用任意的图卷积神经网络，如LightGCN[2]来提取结点的表征，对于同一个结点，多个视图就能形成多种表征；然后借鉴对比学习[5]的思路，构造自监
2021-10-09 17:02:34
1349
转载 Keras fit_generator中的max_queue_size, workers, use_multiprocessing设置
Keras Model.fit_generator中这三个参数的说明max_queue_size: maximum size of the internal training queue which is used to "precache" samples from the generator 预缓存的最大队列数量workers: number of threads generating batches in parallel. Batches are compute...
2021-09-06 09:41:41
985
转载 回归模型常见的损失函数
注意：如果图片不显示，请建议科学上网或者使用VPN。机器学习中的所有算法都依赖于最小化或最大化函数，我们将其称为“目标函数”。最小化的函数组称为“损失函数”。损失函数是衡量预测模型在能够预测预期结果方面的表现有多好的指标。寻找最小值的最常用方法是“梯度下降”。想想这个函数的作用，如起伏的山脉和梯度下降就像滑下山到达最低点。没有一种损失函数适用于所有类型的数据。它取决于许多因素，包括异常值的存在，机器学习算法的选择，梯度下降的时间效率，易于找到衍生物和预测的置信度。损失函数可大致分为两类：分类和回归
2021-08-25 18:45:37
2740
1
转载 基于上下文的推荐 -- 包括时间衰减算法和位置推荐算法（代码实现）
基于上下文的推荐 基于时间特征的推荐 时间衰减 基于时间衰减的ItemCF算法 算法核心两部分，都加入了时间衰减项 以movielens数据集实现ItemCF 基于时间衰减的UserCF算法 以movielens数据集实现UserCF 基于地点和热度推荐 原理（包含三种数据集）...
2021-08-23 10:56:57
1449
转载 ###好好好#####BOOM！推荐系统遇上多模态信息
推荐已经成为许多在线内容共享服务的核心组成部分，从图像、博客公众号、音乐推荐、短视频推荐等等。与传统推荐不一样的地方，就是这些项目内容包含着丰富的多媒体信息-帧、音轨和描述，涉及多种形式的视觉、声学和文本信息。「那么如此丰富的多媒体、多模态信息如何融合到推荐中呢？」最普通也是最直接的方式可能就是对多模态抽特征，然后多模态融合直接作为side Information或者item的representation之后参与到推荐中的。本篇博文主要整理三篇整合多模态信息到表示中的文章，一篇是通用的融合结果，
2021-08-11 11:52:22
330
转载 推荐系统炼丹笔记：多模态推荐之用户评论篇
作者：一元 公众号：炼丹笔记目前非常多的推荐系统主要使用用户的一些基础反馈信息来作为最终的标签进行模型的训练,例如点击/购买等,但是却鲜有文章去进一步挖掘用户的其它反馈,例如用户对于该产品的评论,很多的评论相较于点击等反馈更加具有表示性,比如你经常向一个用户推荐一类商品,该商品虽然点击率很高,但是该用户之前已经评论了恶心之类的，这么继续推下去的化很可能使得该用户不再使用该软件。所以推荐系统里面的用户评论是否有用呢,按理说是有用的,比如有些不良的商品点击率极高,但是评论却极差,通过挖掘评论的信息.
2021-08-11 11:42:26
336
转载 【干货】今日头条的新闻推荐算法原理
信息越来越海量，用户获取信息越来越茫然，而推荐算法则能有助于更好的匹配海量内容和用户需求，使之更加的“有的放矢” 。为让产业各方更好的了解算法分发的相关技术和原理，我们特整理了当下最具影响力的平台的相关干货，和各方分享。本期微信，我们将推荐影视类的Netflix和新闻类的今日头条的算法技术。今天，算法分发已经是信息平台、搜索引擎、浏览器、社交软件等几乎所有软件的标配，但同时，算法也开始面临质疑、挑战和误解。今日头条的推荐算法，从2012年9月第一版开发运行至今，已经经过四次大的调整和修改。今日头条
2021-08-02 16:33:22
5621
转载 一 安装Ubuntu+配置环境+安装TensorRT
最近研究推理加速，涉及到TensorRT，加上之前一直也想搞个Ubuntu系统，所以就打算一步到位，双系统安排。刻录U盘的前期步骤可以参考文章：windows10安装ubuntu双系统教程（绝对史上最详细） - 不妨不妨，来日方长 - 博客园www.cnblogs.com这里注意前期不用分区，那些分区的步骤直接跳过，我自己最开始就是按照分区进行安装，一直有问题，所以这里不建议参考分区。当安装Ubuntu的时候，注意以下选择：准备事项注：如果网络和空间匀速，建议选择“安装中下载更
2021-08-01 22:21:05
313
转载 无需源码编译 | 基于RTX3090配置tensorflow1.15环境
入手RTX3090，在配置tensorflow环境的时候很是头疼，因为3090只支持cuda11.0+的版本，而tensorflow1.×已经不再维护，没有出支持cuda11.0+的版本了。只能通过源码编译来安装环境，可我试过几次源码编码，但是都失败。终于找到另外一个方法，参考Accelerating TensorFlow on NVIDIA A100 GPUs，这是nvdia官方对安培架构的A100 GPU进行编译的TensorFlow 1.15版本，链接中简单介绍安装方法。而3090同样也是安培架构
2021-07-26 15:32:35
978
转载 常识推理问答相关最新研究进展
以深度学习为代表的智能感知技术已经取得了突破性进展，并已在各行各业产生了巨大的价值。目前，人工智能的研究领域已经逐渐从感知智能向认知智能领域过渡，其中，深度学习无法解决的一个主要问题是常识推理问题。常识知识是人类智能的重要体现，在计算机中通常以符号逻辑的知识表示形式存储和处理。最近，常识推理在多个研究领域受到了广泛关注，泽宇调研了最新发表的关于常识推理和引入常识知识的研究论文并和大家一起分享学习。1. 常识问答常识推理是指评估环境状况并采取相应行动的能力。识别环境的隐式原因和结果的能力可以使机器.
2021-07-19 00:40:16
805
转载 《强化学习周刊》第8期：强化学习应用之自然语言处理
论文推荐强化学习近年来取得了令人瞩目的成就，将其应用于自然语言处理领域也取得较大的进步。将NLP的任务看作一个序列决策问题，从语言中提炼出奖励及动作所处的文本环境。此外，强化学习在文本生成中具有不断试错的应用优势、在对话系统中通过将专家知识对未来的代理进行奖励建模，学习对话策略及策略决策等。故将强化学习应用于自然语言处理领域具有较大的优势。强化学习在自然语言处理领域中的应用越来越多，其在文本生成、机器翻译、等方面都有了深入的应用。本次推荐了7篇强化学习在自然语言处理领域应用的相关论文，主要涉及到文本
2021-07-04 22:40:57
770
转载 「回顾」强化学习在自然语言处理中的应用
本文首先介绍了强化学习的概念和相关知识，以及与监督学习的区别，然后就强化学习在自然语言处理应用中的挑战和优势进行了讨论。1. 强化学习首先简单介绍一下强化学习的概念。强化学习是一种与监督学习不一样的学习范式，通过一个智能体与环境进行交互从而达到学习目标。其最重要的概念包括状态(state),动作(action),回报(reward)。智能体接收到环境的状态，对该状态做出一个动作，环境根据该动作做出一个回报。以走迷宫为例，state即为智能体所在的位置，action就是向东西南
2021-07-04 22:24:21
1005
1
原创 每日论文《Heterogeneous Graph Neural Networks for Extractive Document Summarization》
作为提取性文档摘要中的关键步骤，学习跨句关系已通过多种方法进行了探索。 一种直观的方法是将它们放在基于图的神经网络中，该网络具有更复杂的结构以捕获句子间的关系。 在本文中，我们提出了一种用于提取摘要的基于异构图的神经网络（HETERSUMGRAPH），该网络包含除句子外的不同粒度级别的语义节点。 这些额外的节点充当句子之间的中介，并丰富了跨句关系。 此外，我们的图结构通过引入文档节点，可以灵活地从单文档设置自然扩展到多文档。 据我们所知，我们是第一个将不同类型的节点引入基于图的神经网络中以进行提取文档摘要并
2021-06-28 09:31:19
444
1
转载 2021-06-21ACL2020 Heterogeneous Graph Neural Networks for Extractive Document Summarization
Heterogeneous Graph Neural Networks for Extractive Document Summarization 异构图神经网络提取文档摘要 摘要 1 引言 2 相关工作 3 Methodology 3.1 Document as a Heterogeneous Graph 3.2 Graph Initializers 3.3 H...
2021-06-21 23:01:13
426
转载 ###好好好###异质信息网络分析与应用综述（石川）--阅读
文章目录 写在前面 前两章简单阅读 异质网络的基本概念 基于原路径的挖掘 异质网络的学习表示 浅层模型 基于分解的方法 基于元路径的随机游走的方法 基于关系的方法 深度模型...
2021-06-18 14:56:43
554
转载 ####好好好######AAAI2021推荐系统论文清单
2021年第35届人工智能顶级会议AAAI论文列表已经放出，此次会议共收到9034篇论文提交，其中有效审稿为7911篇，最终录取篇数为1692篇，录取率为21.4%。由于境外疫情形势依然严峻，大会将在2月2日到2月9日在线上进行举办。较之去年接收篇数1590篇来说，今年的录取数量有所提升。通过对今年所接收的全部论文的标题进行分析，发现以下结论： 深度学习技术依然是目前来看比较火热的技术之一； 图结构数据（网络/知识图谱）依然是大家比较关注的数据形式之一； 强化学习/对抗学习...
2021-06-14 18:26:33
446
转载 ###好好好###############基于图模型的智能推荐（含知识图谱/图神经网络）
目录一、基于知识图谱的智能推荐 1. 基于embedding的方法 2. 基于path的方法 3. 联合方法 4.结合知识图谱特征学习的推荐系统分类 二、基于图网络的智能推荐（写完发现等于介绍了一遍图网络！） 1. 知识图谱表示学习KGE与图网络表示学习的异同点 2. 图网络表示学习（network representation/embedding） 3. 图神经网络 三、知识图谱与图神经网络的相关问题探究 1.图神经网络是如何处理类似知识图谱的有向异构图的？..
2021-05-27 16:01:23
666
转载 pyspark+DSSM做大规模道具商品个性化推荐模型训练
背景：需要从大量道具中检索出用户喜欢的道具，出于隐私保护代码中隐去了使用到的具体特征，整个流程是可以跑通的，实际使用时可以根据需要增加相应的early stopping，BN，数据采样等操作。环境设置：deepmatch==0.1.3,deepctr[GPU]==0.7.5,pyspark==2.4.0,keras模型文件： import pandas as pd import numpy as np import tensorflow as tf from ten...
2021-05-25 10:57:36
721
转载 transformer预测过程_Transformer在推荐模型中的应用总结
最近基于transformer的一些NLP模型很火（比如BERT，GPT-2等），因此将transformer模型引入到推荐算法中是近期的一个潮流。transformer比起传统的LSTM、GRU等模型，可以更好地建模用户的行为序列。本文主要整理transformer在推荐模型中的一些应用。1. Self-Attentive Sequential Recommendation模型结构：b68d167ca5f3fd1b762102a575f006f3.png方法：符号定义：bbf5147
2021-05-19 10:45:25
1511
转载 【重磅推出】推荐系统系列教程之九：解密“看了又看”和“买了又买”（Item-Based）...
编者按：之前推出了《推荐系统系列教程》，反响不错，前面已经推出了八期，今天按约推出第九期：解密“看了又看”和“买了又买”（基于物品的协同过滤）。希望朋友们多点“在看”，多多转发，我会在“在看”数超过20后推出下一篇教程。不管你有没有剁过手，你对“看了这个商品的还看了”这样的推荐形式一定不陌生。无论是猫还是狗，或者是其他电商网站，这样的推荐产品可以说是推荐系统的标配了。类似的还有，如点评标记类网站的“喜欢了这部电影的还喜欢了”，社交媒体网站的“关注了这个人还关注了”，这些...
2021-05-18 16:36:22
202
转载 超参优化工具总结(2)——Hyperopt
Homepage：https://github.com/hyperopt特性：Hyperopt是一个sklearn的Python库，在搜索空间上进行串行和并行优化，搜索空间可以是实值，离散和条件维度（real-valued, discrete, and conditional dimensions.）。它支持跨多台机器的并行化，并使用 MongoDb 作为存储超参数组合结果的中心数据库。使用方法及配置使用方法：https://github.com/hyperopt/hyperopt#gett
2021-05-06 17:49:00
786
转载 增长黑客
增长黑客增长黑客本质上是一种精准的、低成本、高效率的营销方式。核心内容1、如何搭建一个完整的增长黑客体系，这个体系里包括哪些要素。2、增长黑客的方法是怎么把一个陌生人变成忠实用户的。第一部分一个完整的增长黑客体系的构成需要包括四个要素，分别是增长团队、足够好的产品、增长战略以及快节奏的试验。一、人：增长团队增长黑客体系的第一要素是人，也就是增长团队。在增长黑客的概念提出来之前，很多互联网公司通常的做法就只是按照项目组织几个产品相关人员，临时开个会讨论下针对一个具体..
2021-05-05 19:39:04
254
转载 五分钟了解信息流推荐咨询推荐
前些日子听了 @kevin 同学的知乎 live《了解信息流产品和内容推荐算法》，很有收获（可以在外行前装一装了 ????）。鉴于两小时的 live 信息量很大，就做了份笔记，把其中最有价值的部分做成了图解，应该算得上是「干货」了。不过， 5 分钟能读完的小文，到底只是走马观花而已。倘若读完真的感兴趣，还是建议去听 live，毕竟就其内容质量而言，9.99 元是真的值。什么是信息流产品信息流产品每个使用新闻客户端的用户，都多少接触过的信息流这种产品形态。它有以下诸多特点：海量信息，能
2021-05-04 10:47:34
490
转载 2017年出品干货 | 阿里小蜜-电商领域的智能助理技术实践
作者简介陈海青，阿里巴巴智能服务事业部资深技术专家，在阿里从事智能人机交互领域相关的工作和研究8年，带领团队构建了阿里巴巴智能交互机器人系统。本文来自陈海青在“携程技术沙龙——人机语义交互AI”上的分享。*视频由“IT大咖说”提供，时长约43分钟，请在WiFi环境下观看*1智能人机交互领域的介绍1.1行业分类及目前的应用状况在全球人工智能领域不断发展的今天，包括Google、Facebook、Microsoft、Amazon、Apple等互联公司...
2021-04-10 23:57:03
510
转载 Resnet到底在解决一个什么问题呢？
相较于VGG的19层和GoogLeNet的22层，ResNet可以提供18、34、50、101、152甚至更多层的网络，同时获得更好的精度。但是为什么要使用更深层次的网络呢？同时，如果只是网络层数的堆叠，那么为什么前人没有获得ResNet一样的成功呢？1、为什么要使用更深层次的网络？从理论上来讲，加深深度学习网络可以提升性能。深度网络以端到端的多层方式集成了低/中/高层特征和分类器，且特征的层次可通过加深网络层次的方式来丰富。举一个例子，当深度学习网络只有一层时，要学习的特征会非常复杂，但如果有多层
2021-04-10 17:00:27
949
Harris角点提取算法在H型目标追踪上的研究
2015-07-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人