- 博客(8)
- 资源 (1)
- 收藏
- 关注
RSS订阅翻译 关于深度学习理论和架构的最新综述(参考文献)
Schmidhuber, J. Deep Learning in Neural Networks: An Overview. Neural Netw. 2015, 61, 85–117. [CrossRef] [PubMed]Bengio, Y.; LeCun, Y.; Hinton, G. Deep Learning. Nature 2015, 521, 436–444.Bengio, Y...
2019-04-02 08:40:36
3174
翻译 关于深度学习理论和架构的最新综述(附录)
附录 A大多数时候，人们使用不同的深度学习框架和标准开发套件（SDK）来实现深度学习方法，如下所示：A.1. FrameworksTensorflow: https://www.tensorflow.org/Caffe: http://caffe.berkeleyvision.org/KERAS: https://keras.io/Theano: http://deeplearnin...
2019-04-02 08:40:21
502
翻译 关于深度学习理论和架构的最新综述(part4)
贝叶斯深度学习（BDL）DL方法一直为不同的应用提供最先进的精度。然而，由于模型的不确定性，DL方法无法处理给定任务的不确定性。这些学习方法需要输入并且没有理由地假设类概率1 ’ 2。 2015年，两名非洲裔美国人被认为是带有图像分类系统的大猩猩3。有几个应用领域可以提高不确定性，包括自动驾驶汽车，生物医学应用。然而，BDN是DL和贝叶斯概率方法之间的交集，在不同的应用中表现出更好的结果，并且理...
2019-04-02 08:39:56
605
翻译 关于深度学习理论和架构的最新综述(part3)
递归神经网络（RNN）介绍人类的思想具有持久性;人类不会抛弃任何东西，并在一秒钟内从头开始思考。当您阅读本文时，您可以基于对先前单词或句子的理解来理解每个单词或句子。传统的神经网络方法，包括DNN和CNN，都无法解决这类问题。由于以下原因，标准神经网络和CNN无能为力。首先，这些方法仅处理固定大小的矢量作为输入（例如，图像或视频帧）并产生固定大小的矢量作为输出（例如，不同类别的概率）。其次，那...
2019-04-02 08:39:34
1003
翻译 关于深度学习理论和架构的最新综述(part2)
卷积神经网络（CNN）CNN概述这种网络结构最初由Fukushima于1988年提出1。然而，由于用于训练网络的计算硬件的限制，它没有被广泛使用。在20世纪90年代，LeCun等人2将基于梯度的学习算法应用于CNN，并获得手写数字分类问题的成功结果。之后，研究人员进一步改进了CNN，并在许多识别任务中报告了最先进的结果。 CNN比DNN具有几个优点，包括更像人类视觉处理系统，在处理2D和3D图...
2019-04-02 08:30:53
862
翻译 关于深度学习理论和架构的最新综述(part1)
关于深度学习理论和架构的最新综述摘要关键词摘要关键词深度学习（deep learning，DL）; 卷积神经网络（convolutional neural network，CNN）; 循环神经网络（recurrent neural network，RNN）; 自动编码器（auto-encoder，AE）; 受限玻尔兹曼机（restricted Boltzmann machine，RBM）; ...
2019-04-02 08:30:34
2497
1
翻译 AI词汇(英中)
英文中文翻译absolute value rectification绝对值整流Accumulated error backpropagation累积误差逆传播accuracy准确率acoustic声学Activation Function激活函数AdaGradAdaGradAdaptive Resonance Theory/ART...
2019-03-21 09:05:43
1343
转载 生成性对抗网络及其变体的工作原理：GAN概述
生成性对抗网络及其变体的工作原理：GAN概述GAN的基本介绍GAN的基本概念目标函数前阵子学习 GAN 的过程发现现在的 GAN 综述文章大都是 2016 年 Ian Goodfellow 或者自动化所王飞跃老师那篇。可是在深度学习，GAN 领域，其进展都是以月来计算的，感觉那两篇综述有些老了。最近发现有一篇最新的 GAN 综述论文，四十余页，介绍了 GAN 的各个方面，于是就学习并整理笔记如下...
2019-03-20 20:08:15
2523
1
word公式编辑器快速入门
2019-04-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人