Публикации по теме deep-learning

Публикации по теме 'deep-learning'

Почему вам нужно прекратить использовать сигмоиды

Подробное объяснение исчезающего градиента и сигмоид. Объясняется в коде вместе с ReLu и инициализацией Kaiming. В последние годы глубокое обучение и нейронные сети добились огромных успехов во всех отраслях. Эта технология искусственного интеллекта, кажется, появилась в одночасье и позволила нам решить проблемы, над которыми мы работали годами, а иногда даже десятилетиями. Хотя идея нейронных сетей возникла с середины 1900-х годов, они не использовались за пределами..

Лучшее использование символической регрессии, часть 1 (машинное обучение)

Boolformer: символьная регрессия логических функций с преобразователями (arXiv) Автор: Стефан д’Асколи , Сами Бенджио , Джош Зюскинд , Эммануэль Аббе . Аннотация: В этой работе мы представляем Boolformer, первую архитектуру Transformer, обученную выполнять сквозную символьную регрессию логических функций. Во-первых, мы показываем, что он может предсказывать компактные формулы для сложных функций, которые не были замечены во время обучения, если предоставить чистую таблицу..

Тележки для покупок — оптимизированы с помощью #DeepLearning, генетических алгоритмов и графических процессоров.

Проблема — когда несколько продавцов (каждый с несколькими складами!) могут продавать один и тот же товар, какая комбинация продавцов/складов минимизирует общую стоимость корзины, включая цену, доставку и комиссионные. И помните, чем больше товаров в корзине, тем дороже поиск, но и больше экономия. Решение - Генетические алгоритмы поиска #MachineLearning для поиска оптимальных алгоритмов CUDA для запуска этих алгоритмов Читайте дальше, чтобы узнать захватывающие подробности —..

Как использовать TensorBoard с Google Colab

В связи с недавним интересом к искусственному интеллекту, машинному обучению и аналитике данных одним из самых больших препятствий для инженера по машинному обучению, специалиста по данным и аналитика данных является выделение правильного оборудования для обучения модели. Однако теперь любой желающий может начать обучение модели с помощью Google Colab. Google Colab - это бесплатный ноутбук Jupyter, который позволяет вам использовать бесплатные графические процессоры Nvidia Tesla..

ENet - глубокая нейронная архитектура для семантической сегментации в реальном времени

Резюме на бумаге Это краткое изложение статьи: ENet: архитектура глубокой нейронной сети для семантической сегментации в реальном времени от Адама Пашке Документ : Https://arxiv.org/abs/1606.02147 Обзор ENet (эффективная нейронная сеть) дает возможность выполнять семантическую сегментацию по пикселям в реальном времени. ENet работает до 18 раз быстрее, требует в 75 раз меньше FLOP, имеет в 79 раз меньше параметров и обеспечивает аналогичную или лучшую точность по..

Базовые модели в ИИ: новая тенденция и будущее

Базовые модели в ИИ — это алгоритмы, которые обучаются и разрабатываются с использованием более широких наборов данных для выполнения различных функций. Более того, искусственный интеллект претерпевает огромное количество эволюций. Кроме того, базовые модели строятся на традиционных алгоритмах глубокого обучения и трансфертного обучения. Таким образом, базовые модели в ИИ порождают новые возможности для эффективного выполнения задач. Исследование Стэнфордского института..

Понимание автоэнкодеров (часть II)

В чем магия автоэнкодеров? Приводим примеры кода! В предыдущей статье (если вы пропустили ее, вот ссылка) я объяснил потенциальные варианты использования автокодировщиков и кратко объяснил, что такое автокодеры. В этой статье я хотел бы объяснить два типа автоэнкодеров и дать их некоторую кодовую реализацию на Python и Keras. Начнем с объяснения того, как они работают. Неполные автоэнкодеры. Основная задача неполных автоэнкодеров - не просто копировать ввод в вывод, а вместо..