Публикации по теме 'deep-learning'
Инновационные идеи, связанные с маскированными автоэнкодерами в 2023 году, часть 1 (машинное обучение)
Контрастная настройка: небольшая помощь, чтобы забыть о маскированных автоэнкодерах (arXiv)
Автор: Оханнес Ленер , Бенедикт Алкин , Андреас Фюрст , Элизабет Руметсхофер , Лукас Миклаутц , Зепп Хохрайтер .
Аннотация: методы моделирования маскированных изображений (MIM), такие как маскированные автоэнкодеры (MAE), эффективно изучают богатое представление входных данных. Однако для адаптации к последующим задачам им требуется достаточное количество размеченных данных, поскольку их..
КАК УСТАНОВИТЬ TENSORFLOW [(импортировать тензорный поток как tf)]
Недавно я хотел изучить Tensorflow, поэтому я потратил некоторое время и сосредоточился на Tensorflow. В этом посте я расскажу вам, как установить Tensorflow (версия для процессора).
Вот простые шаги по
Как начать работу с Tensorflow в Windows?
Загрузите Anaconda здесь и установите его в свою систему в соответствии с вашими требованиями. После установки Anaconda создайте виртуальную среду. Чтобы создать эту открытую командную строку, введите команду ›conda create -n..
Искусство разработки признаков: методы создания лучших моделей машинного обучения в Python
Раскройте истинный потенциал ваших данных: освойте методы проектирования функций для моделей машинного обучения на основе Python
Разработка функций – важный этап в процессе обработки данных. Извлекая значимые функции из необработанных данных, вы можете повысить производительность своих моделей машинного обучения и делать более точные прогнозы. В этой статье мы рассмотрим различные методы создания полезных функций, которые помогут вашим моделям сиять.
Что такое функциональная..
ИЗУЧИТЕ ПИТОН СЕЙЧАС! Книга: Столпы Питона. 10 — Переменные II: Кортежи
«Всегда делай то, что боишься». Ральф Уолдо Эмерсон
Кортежи
Кортежи — это упорядоченные последовательности, в которых хранятся разные объекты (до сих пор они напоминали списки). Однако, в отличие от списков, кортежи являются неизменяемыми, то есть вы не можете их изменять (ни добавлять, ни удалять элементы, ни сортировать их, вы не можете изменить их форму).
Тогда для чего они? Они быстрее и безопаснее (положительный момент в том, что их нельзя модифицировать). Я обычно..
Написание собственного декоратора контекста Python для отладки утечек памяти в Pytorch
Декораторы контекста — это конкретная реализация менеджеров контекста Python. Я проиллюстрирую, как их использовать, на примере (pytorch) отладки графического процессора, где я нахожу их весьма полезными. Это не сработает во всех ситуациях, но в целом я хочу поделиться тем, как написание ваших собственных контекстных менеджеров может стать отличным инструментом для вашего набора навыков в Python, и чем они отличаются от декораторов функций.
тлдр; вот суть github с кодом
Проблема..
Последние обновления Dense Video Captioning 2023, часть 3 (Computer Vision)
SAVCHOI: Обнаружение подозрительных действий с помощью плотных субтитров к видео с взаимодействием с человеческими объектами (arXiv)
Автор: Анш Миттал , Шувам Гхосал , Ришибха Бансал .
Аннотация: Обнаружение подозрительных действий на видеозаписях видеонаблюдения — давняя проблема наблюдения в режиме реального времени, которая приводит к трудностям в раскрытии преступлений. Следовательно, мы предлагаем новый подход к обнаружению и обобщению подозрительных действий в видео..
Примеры использования синтаксического анализа зависимостей, часть 1 (искусственный интеллект)
Пересмотр влияния утечки на синтаксический анализ зависимостей (arXiv)
Автор: Натаниэль Краснер , Мириам Ваннер , Антониос Анастасопулос .
Аннотация: Недавняя работа Søgaard (2020) показала, что, помимо размера банка деревьев, перекрытие между обучающими и тестовыми графами (называемое утечкой) объясняет наблюдаемые различия в производительности синтаксического анализа зависимостей в большей степени, чем другие объяснения. В этой работе мы пересматриваем это утверждение, проверяя..
