Публикации по теме 'deep-learning'


Нежное введение в TensorFlow Probability — «Обучаемые параметры»
Вероятностное глубокое обучение Введение Эта статья относится к серии «Вероятностное глубокое обучение». Эта еженедельная серия охватывает вероятностные подходы к глубокому обучению. Основная цель состоит в том, чтобы расширить модели глубокого обучения для количественной оценки неопределенности, то есть узнать, чего они не знают. Мы разрабатываем наши модели, используя TensorFlow и TensorFlow Probability (TFP). TFP — это библиотека Python, построенная поверх TensorFlow. Мы..
Должны ли мы стремиться к координации между человеком и ИИ вместо противостояния человека и ИИ?
Должны ли мы стремиться к координации действий человека и ИИ вместо противостояния человека и ИИ? Первоначально опубликовано на веб-сайте Rebellion Research Больше нет необходимости демонстрировать, как ИИ повлияет на будущее и все аспекты нашей жизни и отраслей. Однако для большинства людей ИИ характеризуется программами, которые должны противостоять нам из-за их возможного интеллектуального превосходства. Дело в том, что ИИ в основном используется (и будет) в качестве инструмента,..
Варианты обратного распространения ошибки: улучшение обучения нейронных сетей
Введение Искусственные нейронные сети стали мощными инструментами для решения сложных задач в различных областях. Обратное распространение ошибки, краеугольный алгоритм в области глубокого обучения, формирует основу для обучения нейронных сетей. Однако первоначальный алгоритм обратного распространения ошибки со временем развивался, порождая множество вариаций и улучшений, которые решают проблемы и повышают эффективность обучения. В этом эссе рассматриваются некоторые ключевые варианты..
Классификация изображений с использованием проекта FASTAI- Dogs vs Cats Project
Всем привет! Сегодня я проверю свои знания о классификации изображений из предыдущих руководств, используя набор данных DOGS от Kaggle. Это будет не объяснение кода, как это уже было описано в предыдущих постах, а скорее публикация моего кода вместе с необходимыми модификациями и результатами здесь. Я рекомендую вам также попробовать построить свою собственную модель классификации изображений, используя либо DOGS, либо другой набор данных ( https://docs.fast.ai/data.external.html ), и не..
MediaPipe: платформа для мультимедийных приложений реального времени.
MediaPipe — это платформа с открытым исходным кодом, разработанная Google, которая предлагает разработчикам платформу для создания мультимедийных приложений в реальном времени. Благодаря передовым моделям машинного обучения и алгоритмам компьютерного зрения MediaPipe используется разработчиками для создания сложных мультимедийных приложений для широкого спектра платформ и устройств, включая смартфоны, ноутбуки и встроенные устройства. Особенности и возможности MediaPipe предлагает..
Более быстрое и компактное квантованное НЛП с Hugging Face и ONNX Runtime
Этот пост написали Морган Фунтович , инженер по машинному обучению из Hugging Face, и Юфенг Ли, старший инженер-программист из Microsoft Модели-преобразователи, используемые для обработки естественного языка (NLP), велики. BERT-base-uncased имеет ~ 110 миллионов параметров, RoBERTa-base имеет ~ 125 миллионов параметров, а GPT-2 имеет ~ 117 миллионов параметров. Каждый параметр представляет собой число с плавающей запятой, для которого требуется 32 бита (FP32). Это означает, что..
«Реализация центральной предельной теоремы на Python: изучение выборочных данных для вывода о населении…
Понимание центральной предельной теоремы (CLT) Центральная предельная теорема (ЦПТ) — это фундаментальная концепция статистики и машинного обучения. В нем говорится, что распределение выборочных средних большого количества независимых и одинаково распределенных случайных величин будет приближаться к нормальному распределению, независимо от лежащего в основе распределения переменных. Это важная концепция, поскольку она позволяет нам делать вероятностные выводы о совокупности на основе..