利用進化后的反向傳播算法實現(xiàn)快速、高效的訓(xùn)練

研究人員提出了一種離線型端到端訓(xùn)練的鑒別目標跟蹤方法。在Python中可以使用PyTorch實現(xiàn)，新方法是通過迭代優(yōu)化從具有辨別性的學(xué)習(xí)損失中衍生得出的...

2019-04-24 標簽：谷歌神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí) 3.2k 0

幾個常用算法的適應(yīng)場景及其優(yōu)缺點！

通常情況下，如果是小訓(xùn)練集，高偏差/低方差的分類器（例如，樸素貝葉斯NB）要比低偏差/高方差大分類的優(yōu)勢大（例如，KNN），因為后者會發(fā)生過擬合（ove...

2019-04-24 標簽：算法分類器機器學(xué)習(xí) 1.3萬 0

實戰(zhàn)：CNN+BLSTM+CTC的驗證碼識別從訓(xùn)練到部署

如果希望使用上面對應(yīng)之外的搭配的CUDA和cuDNN，可以自行編譯TensorFlow，或者去Github上搜索TensorFlow Wheel找到第三...

2019-05-01 標簽：代碼機器學(xué)習(xí)cnn 5.3k 0

關(guān)于AI文本生成動畫模型的論文

將文本轉(zhuǎn)換為動畫并不是一項簡單的任務(wù)，大多數(shù)將文本轉(zhuǎn)換為視頻的工具不能處理復(fù)雜句子，因為輸入的句子和輸出的動畫都沒有固定的結(jié)構(gòu)。為了克服這種問題，兩位論...

2019-04-23 標簽：AI機器學(xué)習(xí)自然語言處理 5k 0

以線性回歸算法來對三種梯度下降法進行比較

從上面公式可以注意到，它得到的是一個全局最優(yōu)解，但是每迭代一步，都要用到訓(xùn)練集所有的數(shù)據(jù)，如果樣本數(shù)目 m 很大，那么可想而知這種方法的迭代速度！所以，...

2019-04-19 標簽：函數(shù)梯度機器學(xué)習(xí) 4.8k 0

機器學(xué)習(xí)的特征工程是將原始的輸入數(shù)據(jù)轉(zhuǎn)換成特征

對于類別數(shù)量很多的分類變量可以采用特征哈希（Hashing Trick），特征哈希的目標就是將一個數(shù)據(jù)點轉(zhuǎn)換成一個向量。利用的是哈希函數(shù)將原始數(shù)據(jù)轉(zhuǎn)換成...

2019-04-19 標簽：神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)數(shù)據(jù)預(yù)處理 5.3k 0

決策樹和隨機森林模型

我們知道決策樹容易過擬合。換句話說，單個決策樹可以很好地找到特定問題的解決方案，但如果應(yīng)用于以前從未見過的問題則非常糟糕。俗話說三個臭皮匠賽過諸葛亮，隨...

2019-04-19 標簽：機器學(xué)習(xí)數(shù)據(jù)集決策樹 9.1k 0

自然語言基礎(chǔ)技術(shù)之命名實體識別相對全面的介紹

早期的命名實體識別方法基本都是基于規(guī)則的。之后由于基于大規(guī)模的語料庫的統(tǒng)計方法在自然語言處理各個方面取得不錯的效果之后，一大批機器學(xué)習(xí)的方法也出現(xiàn)在命名...

2019-04-17 標簽：機器學(xué)習(xí)數(shù)據(jù)集自然語言處理 5.6k 0

基于條件概率分類的兩種模型算法：logistic回歸模型與最大熵模型。

由第一節(jié)我們知道，熵是描述事物不確定性的指標。我們將熵的這一性質(zhì)應(yīng)用在信號檢測領(lǐng)域，當(dāng)信號包含了較強的隨機噪聲時或被噪聲完全掩蓋時，信號的隨機性大大的增...

2019-04-13 標簽：模型機器學(xué)習(xí)Logistic 8.1k 0

討論嵌入的概念，以及使用word2vec生成嵌入的機制

這下空白處改填的內(nèi)容完全變了。這時’red’這個詞最有可能適合這個位置。從這個例子中我們能學(xué)到，一個單詞的前后詞語都帶信息價值。事實證明，我們需要考慮兩...

2019-04-10 標簽：可視化機器學(xué)習(xí)自然語言處理 4.7k 0

富士通實驗室在74.7秒內(nèi)完成了ImageNet上訓(xùn)練ResNet-50網(wǎng)絡(luò)

分布式并行深度學(xué)習(xí)要求所有 reduce 通信在所有進程之間交換每一層的梯度。在大集群環(huán)境中，由于每個 GPU 的 batch size 較小，使得通信...

2019-04-08 標簽：神經(jīng)網(wǎng)絡(luò)gpu機器學(xué)習(xí) 5.4k 0

統(tǒng)計學(xué)和機器學(xué)習(xí)的真正差別。你分得清嗎？

這兩種方法的目標不同，盡管使用的方法類似。機器學(xué)習(xí)算法的評估使用測試集來驗證其準確性。統(tǒng)計模型可以使用置信區(qū)間，顯著性檢驗和其他檢驗對回歸參數(shù)進行分析，...

2019-04-08 標簽：傳感器機器學(xué)習(xí)數(shù)據(jù)科學(xué) 9.5k 0

探討一些可用于解釋機器學(xué)習(xí)模型的不同技術(shù)

下圖則闡述了在需要清晰簡單的模型可解釋性時，通常首選白盒模型 (具有線性和單調(diào)函數(shù)) 的原因。圖的上半部顯示，隨著年齡的增長，購買數(shù)量會增加，模型的響應(yīng)...

2019-04-04 標簽：神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)數(shù)據(jù)集 3.3k 0

手把手教你使用Python實現(xiàn)機器學(xué)習(xí)算法

特征提取就是應(yīng)用某種算法通過某種方式來量化數(shù)據(jù)的過程。比如，對于圖像數(shù)據(jù)，我們可以采用計算直方圖的方法來統(tǒng)計圖像中像素強度的分布，通過這種方式，我們就得...

2019-04-04 標簽：機器學(xué)習(xí)python數(shù)據(jù)集 4.8k 0