Публикации по теме 'deep-learning'
Почему протокол Raven важен для будущего ИИ
Что: Обучайте модели машинного обучения лучше и быстрее : с использованием протокола Raven AI / ML инженеры смогут обучать модели лучше и быстрее.
Зачем . Ускорение обучения модели позволит сэкономить время и деньги и, в конечном итоге, повысит производительность.
Как . Обычным методам распространения присуща задержка в своей сети. Между машинами необходимо передавать большие объемы данных. Однако уникальный подход Raven к распределению решает проблему задержки,..
Обзор: CUMedVision1 - полностью сверточная сеть (биомедицинская сегментация изображений)
В этой статье рассматривается CUMedVision1 от CUHK. Используя полностью сверточную сеть (FCN) , CUMedvision1 значительно превосходит современные подходы по сравнению с эталонным набором данных 2012 ISBI segmentation challenge .
Таблица лидеров: http://brainiac2.mit.edu/isbi_challenge/leaders-board
В этой задаче сегментируются изображения, полученные с помощью серийной просвечивающей электронной микроскопии (ssTEM) . Пример показан ниже:
Для изображения выше нам нужны..
Общие функции активации и почему вы должны их знать
Краткое описание реализации, льгот, предостережений и использования часто используемых функций активации
Функции активации - это основной строительный блок нейронных сетей. Однако их необходимо тщательно изучить, прежде чем можно будет эффективно их использовать. Это связано с тем, что функции активации имеют активные области и мертвые области, что заставляет их либо учиться, либо действовать в модели. Давайте рассмотрим один за другим, как правильно использовать их и их недостатки...
Распознавание глубоких эмоций по выражению лица
По мотивам диссертации на степень магистра робототехники я решил написать трилогию статей. За этим стоит стремление поделиться открытиями и знаниями, которые я приобрел в этом волшебном путешествии. Эти три статьи в основном будут иметь форму пошаговых руководств по кодированию, в которых теоретически будут объяснены многие технические решения, которые были сделаны.
Прежде чем приступить к реализации, давайте немного поговорим о поле Распознавания мимики (FER):
FER - это область..
Замечания и мысли о наностепенях Udacity Deep Learning [Урок 2]
Урок 2 [1] - 2 [7]:
Содержание курса:
Курс начинается с определения машинного обучения на элементарном уровне; разделение двух измерений линейной линией в форме Wx + b, и позже, как разделить данные с 3, 4 или n измерениями. Вы видите, как данные проходят через перцептрон визуально, и как вы можете комбинировать перцептроны для разделения данных, которые выглядят линейно неразделимыми, например, используя перцептрон AND и NOT для создания перцептрона XOR.
Мы узнали, как..
Лучшие предложения от поставщиков облачных услуг для глубокого обучения
AWS, Google, Paperspace, обширный.ai и др.
Я хотел выяснить, где мне следует тренировать свои модели глубокого обучения в Интернете с наименьшими затратами и с наименьшими хлопотами. Мне не удалось найти хорошее сравнение поставщиков облачных сервисов на GPU, поэтому я решил сделать свой собственный.
Не стесняйтесь переходить к красивым диаграммам , если вы знаете все о графических процессорах и TPU и просто хотите получить результаты.
В этой статье я не рассматриваю модели..
Введение в сверточные нейронные сети (CNN)
В этой статье я расскажу о некоторых понятиях в CNN, эти названия, обсуждаемые здесь, были представлены стипендией Udacity Bertelsmann .
Что такое CNN?
Компьютерное зрение стремительно развивается день ото дня. Одна из причин - глубокое обучение. Когда мы говорим о компьютерном зрении, нам на ум приходит термин сверточная нейронная сеть (сокращенно CNN), потому что здесь широко используется CNN. Примерами CNN в компьютерном зрении являются распознавание лиц, классификация..