- 博客(333)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 PyTorch深度学习之旅：从入门到精通的十个关键步骤
PyTorch提供了丰富的神经网络层（如卷积层、池化层、全连接层等）和激活函数（如ReLU、Sigmoid等），我们可以根据需求选择合适的组件来构建自己的网络结构。深度学习是一个快速发展的领域，新的技术和方法层出不穷。作为PyTorch的学习者，我们需要保持持续学习的态度，关注最新的研究成果和动态。此外，PyTorch还提供了丰富的数学函数和统计方法，可以帮助我们进行复杂的数据处理和分析。在训练过程中，我们还需要注意选择合适的损失函数、优化器以及学习率等超参数，以确保模型能够取得良好的性能。
2024-04-17 22:41:39
274
原创 每天五分钟计算机视觉：基于卷积操作完成滑动窗口的图片分类？
当我们有这样的一个卷积神经网络的时候，这样的卷积神经网络就可以认为是14*14的滑动窗口，这样的滑动窗口可以滑动任意大小的图片，最终的输出一定是w*h*4，w，h由原始图片的大小决定，而4表示最后卷积神经网络使用了4个通道，也就是4分类问题。
2024-04-17 22:36:52
261
原创 数学：人工智能学习之路上的“拦路虎”及其背后的奥秘
而数学，作为一门研究数量、结构、变化以及空间等概念的学科，为人工智能提供了坚实的理论基础。在人工智能的浪潮席卷全球的今天，越来越多的人开始涉足这一领域，以期掌握其核心技术，为未来的科技发展贡献力量。然而，在学习的道路上，许多人却遇到了一个不小的挑战——数学。数学提供了数据处理和分析的方法，如统计学、概率论等，使我们能够从海量数据中提取有用的信息。深入理解数学原理：在学习数学时，不仅要掌握公式和定理的推导过程，更要深入理解其背后的原理和思想。算法设计：人工智能的核心是算法，而算法的设计离不开数学的支持。
2024-04-14 22:32:36
321
原创 手把手教你安装深度学习框架PyTorch：一键式安装指南
通过本文的介绍，你应该已经掌握了如何使用一句命令来安装PyTorch。PyTorch作为一个强大而灵活的深度学习框架，为你提供了丰富的功能和灵活的接口，让你能够轻松地进行深度学习模型的搭建和训练。
2024-04-14 22:18:36
592
原创 softmax回归：多分类问题的解码器
此外，当数据类别不平衡时，softmax回归的性能可能会受到影响。例如，在图像识别中，softmax回归可以用于将输入的图像映射到多个类别中的一个，如猫、狗、鸟等。在众多分类算法中，softmax回归以其独特的优势和广泛的应用场景，成为了处理多分类问题的有力工具。softmax回归的优点在于其能够处理多分类问题，并且输出的是每个类别的概率分布，这使得它在许多实际应用中都非常有用。但需要注意的是，softmax回归输出的是概率分布，因此在实际应用中，我们也可以根据概率分布进行更复杂的决策分析。
2024-04-12 23:14:30
353
原创 介绍一个方便的python包和环境管理软件Anaconda，如何快速安装
Anaconda是一个方便的python包管理和环境管理软件，一般用来配置不同的项目环境。它通过管理工具包、开发环境、Python版本，大大简化了工作流程。不仅可以方便地安装、更新、卸载工具包，而且安装时能自动安装相应的依赖包，同时还能使用不同的虚拟环境隔离不同要求的项目。如果我们有不同的项目A和项目B分别基于python2和python3，而第电脑只能安装一个环境，这个时候Anaconda就派上了用场，它可以创建多个互不干扰的环境，分别运行不同版本的软件包，以达到兼容的目的。
2024-04-12 23:12:28
107
原创 数学之光照亮AI之路：探究数学背景在人工智能学习中的优势
因此，数学背景强的人在学习AI时，能够更快速地掌握问题的本质，提出有效的解决方案。在这些环节中，数学提供了丰富的工具和方法，如统计学、线性代数、概率论等，帮助学习者有效地处理和分析数据，提取出有用的特征，为后续的模型训练提供有力支持。再者，数学为人工智能的创新提供了源源不断的动力。在未来的发展中，随着人工智能技术的不断进步和应用领域的不断拓展，数学与AI的结合将更加紧密。我们期待更多具备数学背景的人才能够加入到AI领域的学习中来，共同推动人工智能技术的繁荣发展，为人类社会的进步贡献智慧和力量。
2024-04-11 22:31:48
348
原创 每天五分钟深度学习：逻辑回归算法的损失函数和代价函数是什么？
前面已经学习了逻辑回归的假设函数，训练出模型的关键就是学习出参数w和b，要想学习出这两个参数，此时需要最小化逻辑回归的代价函数才可以训练出w和b。那么本节课我们将学习逻辑回归算法的代价函数是什么？
2024-04-11 22:30:31
265
原创 从TensorFlow到PyTorch：我为何选择后者开启深度学习之旅
它们各自拥有庞大的社区支持、丰富的文档资源和强大的功能，使得开发者们可以根据自己的需求选择合适的工具。然而，在我深入研究和实践之后，我最终选择了PyTorch作为我的深度学习框架。综上所述，我之所以选择PyTorch作为我的深度学习框架，主要是基于其易用性、灵活性、调试体验以及社区氛围等方面的优势。此外，PyTorch还提供了丰富的预训练模型和工具，使得开发者能够快速构建和训练自己的模型。我也期待在未来的学习和实践中，能够更深入地挖掘PyTorch的潜力，为深度学习领域的发展贡献自己的力量。
2024-04-10 22:58:39
480
原创 每天五分钟深度学习PyTorch：面对Tensorflow，为何我选择PyTorch
这篇专栏文章不是为了挑起tenserflow和pytorch中哪个更好，众所周知tensorflow诞生以来，已经成为最流行的深度学习框架，可以说github中大多数的深度学习代码实现是以tensorflow实现的，也就是说资源众多，社区强大，这是tensorflow的好处。
2024-04-10 22:56:27
219
原创 线性变换在人工智能领域的深度实践与应用探索
此外，线性变换的参数数量和计算复杂度随着数据维度的增加而急剧增加，可能导致过拟合和计算资源不足的问题。本文将详细探讨线性变换在人工智能领域中的实践应用，旨在揭示其背后的原理、方法以及所取得的成果。其基本原理在于通过线性组合的方式，将原始数据空间映射到一个新的特征空间，从而揭示数据的内在结构和规律。同时，随着数据规模的不断增大和模型复杂度的提升，线性变换的计算效率和优化问题也将成为研究的重点。在PCA中，线性变换矩阵由数据的协方差矩阵的特征向量构成，通过选择前几个主成分，可以实现对数据的有效压缩和降维。
2024-04-09 22:51:41
363
原创 每天五分钟深度学习：如何理解逻辑回归算法的假设函数？
我们将样本x输入到逻辑回归的假设函数中，假设函数hθ(x)的值为该样本为正类y=1的概率，1-hθ(x)就是y=0的概率，这个就是逻辑回归的模型的分类原理，其实就是在计算y=1的概率。所以当我们实现逻辑回归的时候，我们的任务就是学习参数w以及b使得预测y^成为对y=1这一种情况的概率的一个很好的估计。（就是找到满足数据的最好的w和b）。我们有些时候并不使用b，而是将b对应w0，这样我们特征就会多一个x0=1。而神经网络中我们不使用这种方式，我们就使用b，不会令b=w0。
2024-04-09 22:48:48
232
原创 学习人工智能：为何PyTorch深度学习框架不可或缺
综上所述，学习人工智能一定要学习深度学习框架PyTorch，是因为PyTorch以其灵活性、性能优势、开放创新和应用广泛性，为深度学习技术的发展和应用提供了强大的支持。随着深度学习技术的不断发展，PyTorch作为其中的佼佼者，正引领着未来的技术趋势。随着计算资源的不断丰富和算法的不断优化，PyTorch的性能将得到进一步提升，其在处理大规模数据和复杂模型方面的优势将更加凸显。但正是这种不断探索和挑战的过程，使得我们能够更好地掌握深度学习技术，为人工智能的发展贡献自己的力量。
2024-04-07 23:14:43
509
原创 循环神经网络：揭秘长期记忆的魔法之源
在人工智能和机器学习领域，循环神经网络（Recurrent Neural Networks，简称RNN）以其独特的架构和机制，在处理序列数据方面展现出了强大的能力。梯度消失问题通常发生在序列较长时，由于梯度在连续的时间步中逐渐减小，最终变得微不足道，导致RNN无法有效地更新权重。RNN是一种特殊的神经网络结构，它的核心思想是在处理序列数据时，利用循环连接的方式，将前一步的输出作为下一步的输入，从而实现对序列信息的记忆。在语音识别中，RNN能够捕捉到语音信号中的时序特征，从而实现准确的语音转文字功能。
2024-04-06 22:15:44
907
原创 每天五分钟计算机视觉：模型集成和数据扩充在基准测试中的应用
在基准测试中，模型集成和数据扩充是两个关键的技巧，它们对于提升测试的性能和准确性具有显著的影响。以下是从模型集成和数据扩充两个技巧在基准测试中的应用进行的总结。
2024-04-06 22:07:12
180
原创 数学与人工智能：共舞于数字时代的奥秘
数学，这一源远流长的学科，长久以来一直为人类社会的发展与进步提供了坚实的基础。与此同时，随着科技的迅猛发展，人工智能这一新兴领域正逐渐改变着我们的生活方式。这两者之间，似乎存在着一种难以言喻的紧密联系。本文将深入探讨数学与人工智能之间的关系，并试图揭示它们如何在数字时代中共同演绎着一段精彩的舞蹈。
2024-04-05 23:30:04
353
原创 每天五分钟深度学习：深度学习中数据样本和标签的符号化表示
在深度学习中，数据样本通常指的是用于训练和测试模型的一组数据点。这些数据点可以是图像、文本、音频、视频等多种形式，它们包含了模型需要学习的信息。标签则是与数据样本相关联的某种信息，用于指示数据样本的类别、属性或其他相关信息。在监督学习中，标签通常用于指导模型的训练过程，使模型能够学习到从输入数据到输出标签的映射关系。深度学习中数据样本和标签的符号化表示是模型训练和推理的基础。通过合理的表示方法，我们可以将现实世界中的数据转化为计算机能够理解和处理的形式。
2024-04-05 23:26:49
373
原创 每天五分钟深度学习：为什么现在搞人工智能都用深度学习？
综上所述，深度学习在人工智能领域的重要性不言而喻。其技术突破、应用广泛性以及对人工智能领域的深远影响都使得深度学习成为推动人工智能领域发展的关键力量。未来，随着技术的不断进步和应用场景的不断拓展，深度学习将在人工智能领域发挥更加重要的作用。
2024-04-02 23:52:02
151
原创 每天五分钟深度学习:为何逐渐走出了“寒冬”，迎来了发展的春天?
综上所述，深度学习之所以能够从“寒冬”走向“火热”，是多种因素共同作用的结果。算法和模型的突破、计算能力的提升、大数据的兴起、应用场景的拓展以及政策支持和资本推动都为深度学习的发展提供了有力的支撑。然而，面对未来的挑战和问题，深度学习领域的研究者和从业者需要不断探索和创新，以推动该领域的持续发展和进步。
2024-04-02 23:51:10
22
原创 每天五分钟深度学习：神经网络和深度学习有什么样的关系？
本文简单的看了一下神经网络，我们可以理解到随着神经网络的层数增多，会从原始数据中提取出更加深刻的信息，以此来完成最终的目的。至此我们就知道了什么是神经网络，希望能够通过本节课程能够了解到神经网络。神经网络非常擅长从x到y的精准映射函数。它非常的强大，只要你输入x（特征），我们就可以将映射成y（房价）深度学习通过构建多层次的神经网络结构，使得模型能够自动提取输入数据的低层次到高层次的特征表示。这种层次化的特征提取方式使得深度学习能够处理更加复杂和多样化的数据，并在各种任务中取得出色的性能。
2024-04-01 23:31:23
1000
原创 人工智能之深度学习笔记——每天五分钟快速掌握深度学习理论
深度学习和机器学习有什么区别呢？最主要的区别就是模型的不同，深度学习主要使用神经网络算法模型，而机器学习就不是了，我们前面学习过逻辑回归就是机器学习算法模型。所以我们学习深度学习最主要的就是学习神经网络。我们首先简单的介绍了一下深度学习这门课程要学习什么？然后从房价预测例子入手引出什么是神经网络？然后我们可以知道使用神经网络进行监督学习。
2024-04-01 23:30:04
429
原创 每天五分钟计算机视觉：如何基于滑动窗口技术完成目标的检测？
现在我们想要构建一个汽车检测算法，我们希望输入到算法中一张图片，算法就可以帮助我们检测出这张图片中是否有汽车。
2024-03-29 20:49:31
474
原创 每天五分钟计算机视觉：使用神经网络完成人脸的特征点检测
我们上一节课程中学习了如何利用神经网络对图片中的对象进行定位，也就是通过输出四个参数值bx、by、bℎ和bw给出图片中对象的边界框。本节课程我们学习，神经网络可以通过输出图片中对象的特征点的(x,y)坐标来实现对目标特征的识别，。
2024-03-29 20:47:12
1732
原创 JVM虚拟机：通过jconsole远程连接解决JVM报错
前面我们介绍过的一些工具都是使用命令行的方式来帮助我们完成，本文我们将使用一种图形化界面的方式来远程连接，然后完成关于JVM的检测任务。
2024-03-16 22:40:39
140
原创 Java高级互联网架构师之路：排查当前JVM错误的步骤
这个程序是有问题的，我们通过一些命令来分析这个程序究竟是哪里出了问题。首先把当前的程序通过SSH工具传输到centos系统中，之后我们就可以在linux环境下编译和执行。
2024-03-16 22:35:48
287
原创 每天五分钟计算机视觉：如何构造分类定位任务的算法模型？
本节课程我们将学习分类定位的问题，也就是说不仅要完成图片分类任务，然后还要完成定位任务。如下所示，我们不仅要用算法判断图片中是不是一辆车，还要在图片中标记出它的位置，用边框对象圈起来，这就是。一般可能会有一张图片对应多个对象，本节课我们假设所有的图片最多只对应一个对象。
2024-03-13 23:11:55
835
1
原创 每天五分钟计算机视觉：图像数据不足带来的问题和解决办法
在当今的数字时代，图像数据的应用已经渗透到各个领域，包括但不限于计算机视觉、机器学习、自动驾驶、医疗诊断等。然而，当图像数据不足时，会引发一系列问题，对相关应用产生负面影响。尤其是计算机视觉领域，图像数据尤为珍贵和稀缺，如果计算机视觉的任务中，如果缺少数据的时候，有哪些办法可以处理呢？本文将探讨图像数据不足带来的问题，以及解决这些问题的可能方法。
2024-03-13 22:29:53
481
原创 神经网络算法与逻辑回归：优势与差异
选择合适的模型应基于问题的类型、数据的规模与维度、非线性关系、特征工程、可解释性、计算资源与优化以及业务领域与实际需求等多方面因素进行综合考虑。例如，可以将逻辑回归作为神经网络的初始或辅助层，利用其线性分类能力与神经网络的非线性学习和泛化能力相结合，实现更强大的预测模型。神经网络算法和逻辑回归都是预测模型中的重要工具，但它们在处理复杂和非线性问题时表现出不同的性能。本文将通过理论分析和实证研究，深入探讨神经网络算法相对于逻辑回归的优势，以及它们在不同场景下的适用性。三、逻辑回归的优势与局限性。
2024-01-22 23:04:08
1197
原创 每天五分钟计算机视觉：掌握迁移学习使用技巧
随着深度学习的发展，迁移学习已成为一种流行的机器学习方法，它能够将预训练模型应用于各种任务，从而实现快速模型训练和优化。然而，要想充分利用迁移学习的优势，我们需要掌握一些关键技巧。本文将介绍这些技巧，帮助您更好地应用迁移学习技术。
2024-01-22 23:00:11
744
原创 虚拟以太网：技术解析与应用前景
虚拟以太网的核心思想是将物理以太网帧封装在虚拟化容器中，从而实现以太网帧在虚拟化环境中的传输。在虚拟容器中，虚拟以太网帧保留了以太网帧的结构，包括目的MAC地址、源MAC地址、类型/长度字段以及数据负载等。同时，虚拟以太网帧还包含了用于标识虚拟网络的虚拟化封装头，包括虚拟网络标识符、封装类型等信息。基于软件的方式是通过在操作系统上运行虚拟以太网软件来实现虚拟以太网功能。这种方式的优势在于性能高，可以提供高速的虚拟以太网传输。虚拟以太网的实现方式主要分为两种：基于软件的方式和基于硬件的方式。
2024-01-21 23:34:59
964
原创 每天五分钟计算机视觉：揭秘迁移学习
随着人工智能的迅速发展，深度学习已经成为了许多领域的关键技术。然而，深度学习模型的训练需要大量的标注数据，这在很多情况下是不现实的。迁移学习作为一种有效的方法，可以在已有的数据和模型上进行训练，然后将其应用于新的任务。这种方法大大降低了对新任务的数据需求，提高了模型的泛化能力。本文将详细介绍迁移学习的原理、应用和未来发展。
2024-01-03 22:38:27
1003
原创 每天五分钟计算机视觉：为什么要去GitHub寻找开源代码实现方案？
通过学习高质量的代码、参与社区讨论、快速上手实践、跟进最新技术、参与开源项目以及传播开源文化等途径，学习者可以更好地掌握计算机视觉技术的基础知识和应用技能，为自己的未来发展打下坚实的基础。同时，与更多专业人士的合作与交流也能够让学习者获得更多的机会和资源，为未来的职业发展打下良好的基础。此外，通过阅读其他人的代码，学习者还可以了解不同的编程风格和技巧，为自己的编程技能打下坚实的基础。学习者可以通过关注这些组织和项目的动态，及时了解计算机视觉技术的最新进展和趋势，为自己的学习和职业发展提供更多的机会。
2024-01-03 22:31:31
453
原创 JVM虚拟机：各种JVM报错总结
出现这个问题的原因就是，我们的应用进程中创建了太多的线程了，使得超过了系统的极限。这个和堆的内存溢出的区别是，堆内存对象数据超过了堆的极限，那么就是堆的内存溢出，而这个是堆内存一直没有达到极限，但是一直占有将近98%的空间，因为每次回收的只能回收到2%。出现这个问题的原因是：如果不断分配本地内存，而堆内存很好用，那么JVM就不需要执行GC，那么这种情况下，DirectByteBuffer对象们就不会被回收，这样堆内存足够，但是本地内存已经满了，此时再次尝试分配本地内存就会出现错误了。
2024-01-02 23:39:48
1370
原创 每天五分钟计算机视觉：网络中的网络(NiN)
前面的课程中我们学习了众多的经典网络模型，比如LeNet、AlexNet、VGG等等，这些网络模型都有共同的特点。它们的特点是：先由卷积层构成的模块充分提取空间特征，然后再由全连接层构成的模块来输出分类结果。也就是说它们都是下面的这种效果，先卷积后全连接：它们的不同在于对卷积层中卷积核的大小以及卷积层的层数进行了改变，其它的变化不大。而本文我们将学习另外一个思想的卷积神经网络，这个卷积神经网络就是NiN，它的思想是：串联多个由卷积层核全连接层构成的小网络来构成一个深层网络。
2023-12-17 23:37:59
725
原创 每天五分钟计算机视觉：谷歌的Inception模块的计算成本的问题
我们输出28*28*32个数字，对于输出的每个数字来说，你都需要执行 5×5×192 （5*5为卷积核的大小，192为通道的数量）次乘法运算，把这些数相乘结果等于 1.2 亿（120422400）。Inception 层还有一个问题，就是计算成本的问题，我们来看一下5×5 过滤器在该模块中的计算成本。这种架构首先输入是28*28*192，然后输出是28*28*32和上一个的输入输出一样。第二个卷积层：28*28*32*5*5*16= 1000 万。原始图片为28*28*192经过32个5*5的过滤操作，
2023-12-17 23:31:30
1176
原创 每天五分钟计算机视觉：Inception网络是由多个Inception模块构成
所以 Inception 网络只是很多这些你学过的模块在不同的位置重复组成的网络，所以如果你理解了之前所学的 Inception 模块，你就也能理解 Inception 网络。
2023-12-15 23:19:29
587
原创 JVM虚拟机：GC垃圾回收器的常用参数总结
Xms：堆空间最小为多少-Xmx：堆空间最大为多少-Xss：栈空间大小-Xmn：年轻代的空间大小-XX:MetaspaceSize：元空间大小-XX:+PrintGCDetails：打印GC的细节-XX:+PrintHeapAtGC：打印堆的情况-XX:SurvivorRatio：新生代中Eden和s0、s1之间的比例-XX:NewRatio：新生代和来年代的比例-XX:+UseTLAB ：使用TLAB，默认打开-XX:+PrintTLAB ：打印TLAB的使用情况。
2023-12-14 23:45:15
833
原创 每天五分钟计算机视觉：GoogLeNet的核心模型结构——Inception
我们使用64个1*1的卷积核对其进行操作（same 卷积），我们假设输出为28*28*64，得到第一个输出我们使用3*3的卷积核对其进行操作（same 卷积），我们假设输出是 28×28×128。从而得到第二个值。然后我们把第二个值堆积到第一个值上使用5*5的卷积核对其进行操作（same 卷积），假设输出变成 28×28×32，从而得到第三个值，然后我们把第三个值再次堆积。或许我们不想对图片进行卷积操作，而是想要池化操作，从而得到一些不同的输出结果。
2023-12-14 23:37:58
676
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人