1，虚拟环境的创建和环境安装 #打开anaconda prompt终端，输入 #查看当前有哪些虚拟环境 conda info --envs #其中，deeplearning为环境的名称 conda create -n deeplearning # 激活并进入环境 conda activate deeplearning #安装环境包 pip install pandas -i https://pypi.mirro
数据集：Pascal VOC2012， 参考材料：动手学深度学习 以下示例实现了对数据的预读取，处理等操作 import os from random import shuffle from turtle import width import torch import torchvision from d2l import torch as d2l voc_dir = "./dataset/VOC2012/"# 数据读取 def read_v
LetNet-5 【写在前面】 今天公司有个刚毕业学生一直问深度学习的CNN网络模型相关的问题，LetNet-5虽然简单，但是包含了深度学习CNN模型的基本组成模块，包含（卷积、池化、全连接等结构）为了帮助理解拿了一个最简单的LetNet网络做一个知识梳理帮助理解。 （阅读本文章之前具体的卷
第一部分 机械学习基础 1.基本概念1.1定义1.2流程 2.三个要素2.1模型2.2学习准则2.2.1损失函数2.2.2 风险最小化准则 2.3优化算法2.3.1梯度下降法2.3.2随机梯度下降法2.3.3小批量梯度下降法 1.基本概念 首先需要明确的一个概念，深度学习是一个机器学习问题。 我们要想
机器学习策略（2）(ML Strategy (2)) 一、进行误差分析（Carrying out error analysis） 假设你正在调试猫分类器，然后你取得了 90%准确率，相当于 10%错误，，在你的开发 集上做到这样，这离你希望的目标还有很远。也许你的队员看了一下算法分类出错的例子， 注意到算法将一些狗分类为猫，你看看
参考链接： https://blog.csdn.net/u013733326/article/details/80028921 https://zhuanlan.zhihu.com/p/30393923 第2周测验 - 自动驾驶（案例研究） 问题陈述 为了帮助你练习机器学习策略，本周我们将介绍另一种场景并询问你将如何做。我们认为这个在机器学习项目中工作的“模拟
参考链接：https://blog.csdn.net/u013733326/article/details/79847918 开始之前 初始化参数： 1.1：使用0来初始化参数。 1.2：使用随机数来初始化参数。 1.3：使用抑梯度异常初始化参数（参见视频中的梯度消失和梯度爆炸）。正则化模型： 2.1：使用二范数对二分类模型正则化，尝试避免过拟合。
2021-07-18 #刘博的深度学习笔记第一章--- 环境配置 获取代码 环境： Windows0+Anaconda4.4.10 运行工具win10: jupyter notebook 代码地址https://zh.d2l.ai/d2l-zh-1.0.zip 理解起源：深度学习基于神经网络模型和数据编程的核心思想展开，绝大多数神经网络包含以下核心原则： 交替使
本次包含3个部分： 简单的自编码器卷积自编码器去噪自编码器 目录 1 简单的自编码器 压表示法缩 可视化数据 线性自编码器 训练 检查结果 2 卷积自编码器 Encoder Decoder 解码器：转置卷积 训练 检查结果 （额外）解码器：上采样层 + 卷积层 3 去噪自编码器 去噪 训练 检查去噪效果
目录 加载和预处理数据 转换数据 数据加载器和数据可视化 定义模型 最终分类器层 指定损失函数和优化器 训练 测试 可视化样本测试结果 大多数时候，你不会想自己训练一个完整的卷积网络。像ImageNet这样的大型数据集上的现代卷积网络训练需要在多个gpu上花费数周时间。 作为替代
使用 gtihub 的人都知道，仓库中的文件名是不能直接修改的。要修改的话九需要借助 git 工具。下面我就实际演示一下git的操作过程：将仓库 DeepLearning-TensorFlow2 中的文件夹 SSD300 改名为 ssd。 一、git clone 仓库 先登录github，进入DeepLearning-TensorFlow2 仓库所在位
目录深度学习-图像识别一、人脸定位二、手工提取特征的图像分类2.1 识图认物2.2 传统分类系统的特征提取2.3 计算机眼中的图像2.4 什么是图像特征？2.5 卷积运算2.6 利用卷积提取图像特征三、基于神经网络的图像分类3.7.1 Sigmoid函数3.7.2 双曲正切函数3.7.3 ReLU函数3.1 传统图像分
传统机器学习感知器TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/basic-ml/perceptron.ipynbPyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/basic-ml/perceptron.ipynb逻辑回归TensorFlow：https://git
deeplearning模型库 1. 图像分类 数据集：ImageNet1000类 1.1 量化 分类模型Lite时延(ms) 设备 模型类型 压缩策略 armv7 Thread 1 armv7 Thread 2 armv7 Thread 4 armv8 Thread 1 armv8 Thread 2 armv8 Thread 4 高通835 MobileNetV1 FP32
deeplearning量化 量化配置 通过字典配置量化参数 TENSORRT_OP_TYPES = [ 'mul', 'conv2d', 'pool2d', 'depthwise_conv2d', 'elementwise_add', 'leaky_relu' ] TRANSFORM_PASS_OP_TYPES = ['conv2d', '
Deeplearning知识蒸馏 merge paddleslim.dist.merge(teacher_program, student_program, data_name_map, place, scope=fluid.global_scope(), name_prefix='teacher_') merge将teacher_program融合到student_program中。在融合的program中，可以为其中合适的teacher特征图和
deeplearning模型量化实战 MegEngine 提供从训练到部署完整的量化支持，包括量化感知训练以及训练后量化，凭借“训练推理一体”的特性，MegEngine更能保证量化之后的模型与部署之后的效果一致。本文将简要介绍神经网络量化的原理，并与大家分享MegEngine量化方面的设计思路与实操教程。
本文是个人对于图灵异步图书《深度学习》的读书笔记，希望与各位分享，不足之处欢迎提出修改意见 第一部分 机器学习发展 一、早期的人工智能 人工智能早期主要用于解决可以用一系列形式化数学规则来描述的问题。这种规则化的系统遇到的主要挑战在于解决对人来说很容易执
吴恩达老师DeepLearning.ai课程笔记 【吴恩达Deeplearning.ai笔记一】直观解释逻辑回归 【吴恩达deeplearning.ai笔记二】通俗讲解神经网络上 【吴恩达deeplearning.ai笔记二】通俗讲解神经网络下 深度网络不好使？吴恩达老师带你优化神经网络(1) 想提高一个深层神经网络的训练效率，
吴恩达老师DeepLearning.ai课程笔记 【吴恩达Deeplearning.ai笔记一】直观解释逻辑回归 【吴恩达deeplearning.ai笔记二】通俗讲解神经网络上 【吴恩达deeplearning.ai笔记二】通俗讲解神经网络下 深度网络不好使？吴恩达老师带你优化神经网络(1) 【deeplearning.ai】深度学习：优化神
吴恩达DeepLearning.ai系列笔记干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-2）神经网络和深度学习 --- 神经网络基础干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-3）神经网络和深度学习 --- 浅层神经网络 1 矩阵的维度 DNN结构示意图如图所示： 对于第l层神经网络，单个样本其各个参数的
吴恩达DeepLearning.ai系列笔记干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-2）神经网络和深度学习 --- 神经网络基础干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-3）神经网络和深度学习 --- 浅层神经网络 1 矩阵的维度 DNN结构示意图如图所示： 对于第l层神经网络，单个样本其各个参数的
深度学习DeepLearning（Python）实战培训班时间地点：2020年12月18日—2020年12月21日北京(第一天报到?授课三天；提前环境部署电脑测试)一、培训方式：（即日起，开始报名！）1、远程在线（集中时间远程操作培训）2、作业训练（规定的时间把作业完成）3、集中答疑（统一时间进行疑难问题答疑）二、主讲内容:课程
一：深度强化学习核心技术实战培训班时间地点：11 月 27 日— 11 月30 日 北京(第一天报到 授课三天；提前环境部署 电脑测试)课程一、强化学习简介课程二、强化学习基础课程三、深度强化学习基础课程四、多智能体深度强化学习课程五、多任务深度强化学习课程六、强化学习应用课程七、
深度学习DeepLearning（Python）实战培训班 时间地点： 2020年12月18日—2020年12月21日 线上 (第一天报到授课三天；提前环境部署电脑测试) 一、培训方式：（即日起，开始报名！） 1、远程在线（集中时间远程操作培训） 2、作业训练（规定的时间把作业完成） 3、集中答疑（统一时间进行疑难问题答疑） 二、主讲
