Публикации по теме 'deep-learning'
А.И. Исследования — интересные…
Некоторые (в основном недавние) исследования, которые могут представлять интерес.
Название/комментарий/аннотация/ссылка.
Глубокое обучение: критическая оценка
«Получите достоверные данные. Организуйте и пометьте это хорошо. Он понадобится вам через несколько лет, когда методы, которые вы используете сегодня, станут мусором и заменены лучшими методами». Я разговариваю с командами ИИ. (Можно ли цитировать себя?)
Хотя глубокое обучение имеет исторические корни, уходящие в глубь..
Предварительная обработка для глубокого обучения: от матрицы ковариаций к отбеливанию изображения
Версия этого поста опубликована здесь .
Цель этого поста - перейти от основ предварительной обработки данных к современным методам, используемым в глубоком обучении. Я хочу сказать, что мы можем использовать код (например, Python / NumPy), чтобы лучше понимать абстрактные математические понятия. Думая кодированием! 💥
Мы начнем с основных, но очень полезных концепций в области науки о данных и машинного обучения / глубокого обучения, таких как матрицы дисперсии и ковариации. Мы..
Вариационные автоэнкодеры: Часть-1
Содержание:
Почему именно вариационные автоэнкодеры Что такое вариационные автоэнкодеры Подробнее о VAE Автоэнкодеры и вариационные автоэнкодеры Более подробный подход к пониманию автоэнкодеров
Почему вариационные автоэнкодеры
Вариационные автоэнкодеры используются для определения базовой структуры набора данных.
Что такое вариационные автоэнкодеры
Вариационные автоэнкодеры - важное семейство нейронных сетей.
Вариационные автоэнкодеры (VAE) стали одним из самых..
Глубокое обучение использует клинические рассуждения для прогнозирования перелома шейки бедра на рентгеновских снимках
Глубокое обучение применяется в радиологии для прогнозирования заболеваний. Наборы радиологических данных относительно малы для глубокого обучения, поэтому исследователи обычно используют трансферное обучение и уменьшенные изображения. Мои коллеги и я недавно продвигали наше исследование прогнозирования перелома шейки бедра с помощью трансферного обучения и обнаружили, что прогностическая эффективность алгоритма зависит от путаницы переменных пациента и больничного процесса. Здесь я..
Руководство по исследованию: Расширенные функции потерь для моделей машинного обучения
[Почти] Все, что вам нужно знать в 2019 году
Помимо хороших обучающих данных и правильной архитектуры модели, функции потерь являются одной из наиболее важных частей обучения точной модели машинного обучения. В этом посте я хотел бы дать разработчикам обзор некоторых из более сложных функций потерь и того, как их можно использовать для повышения точности моделей или решения совершенно новых задач.
Например, модели семантической сегментации обычно используют простую..
Ускорьте конвейер глубокого обучения с помощью NVIDIA Toolkit
Любая модель глубокого обучения состоит из двух фаз — обучения и логического вывода. Обе фазы так же важны, как и другая. Фаза обучения представляет собой итеративный процесс — мы итерируем, чтобы найти оптимальные гиперпараметры, оптимальную архитектуру нейронной сети, обновление модели, и так далее. Этот итеративный процесс требует больших вычислительных ресурсов и времени.
С другой стороны, развернутая модель должна обслуживать миллионы запросов с малой задержкой. Кроме того, в..
Yolov5 — обнаружение шлема НФЛ
Я никогда не использовал сеть Yolo, поэтому тестирую ее на наборе данных NFL .
Полезный материал
Страница Github и официальные документы
Ноутбук
В следующем разделе я опубликую наиболее важные части записной книжки, некоторые соображения и результаты.
Как индивидуально обучить сеть
Самое главное при использовании Yolov5 (для обучения пользовательского набора данных) — это понять, как настроить структуру папок.
Здесь у нас есть:
parent_folder : название говорит..