Публикации по теме 'neural-networks'


Глубокое изучение не очень глубокой нейронной сети. Часть 3b: выбор оптимизатора
В этой части мы продолжим обсуждение оптимизаторов. В предыдущей статье я показал на очень простом примере, как работают оптимизаторы и как выбор параметров влияет на то, как они движутся к минимумам. Пришло время протестировать их на наборе данных MNIST и посмотреть, какой из них лучший. Способы оценки производительности оптимизатора Очевидный способ назвать лучший оптимизатор - это ранжировать их по полученной точности проверки к концу обучения. Однако это сложно. Как вы видели в..
Сводка уровней нейронной сети
Основным этапом обучения и применения нейронных сетей в реальном проекте является понимание различных слоев нейронной сети: различных слоев свертки, слоев пула, деконволюционных слоев, полносвязных слоев или полносвязных слоев свертки. Чтобы понять это, нам нужно не только понимать визуализированные операции, нам важно понимать математику, лежащую в основе этого. Обладая такими знаниями, мы можем дополнительно проанализировать достоинства и недостатки каждого типа слоя. Любая нейронная..
Воскресный брифинг D4S № 42
Воскресный брифинг D4S № 42 Воскресный брифинг D4S № 42 Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта. Выпуск №42 15 марта 2020 г. Дорогие друзья, Добро пожаловать на воскресный брифинг от 15 марта. На этой неделе мы воспользуемся повышенным вниманием всего мира к текущей пандемии SARS-CoV-2 и подробно рассмотрим, как мы, возможно, скоро будем смотреть на 1 миллион инфицированных..
Обслуживание моделей TensorFlow с использованием Docker для классификации цифр MNIST
Часть 1. Проект по развертыванию моделей цифровых классификаторов TensorFlow с использованием докера и их интеграции с интерфейсом Angular. Оглавление "Введение" Модели : git repo → tf-mnist-project Модели обслуживания : git repo → tf-serving-mnist-project Пользовательский интерфейс : git repo → angular-mnist-project Недавно я реализовал комплексное решение, чтобы лучше понять, как можно использовать модель TensorFlow в производственной среде. В Интернете доступно..
Извлечение коэффициентов DNN-модели OpenCV Face Detection
Последняя версия OpenCV включает модуль Deep Neural Network (DNN), который поставляется с хорошей предварительно обученной сверточной нейронной сетью (CNN) для обнаружения лиц. Новая модель повышает производительность распознавания лиц по сравнению с традиционными моделями, такими как Haar. Фреймворк, используемый для обучения новой модели, - Caffe. Однако некоторые люди столкнулись с трудностями при попытке использовать эту предварительно обученную модель в других местах, например,..
Создавайте AI-видео бесплатно
https://www.yout ube.com/shorts/vxave0lvsO0
Создание мощного преобразователя для маркировки последовательностей в PyTorch: Часть II
В первой части этой серии мы рассмотрели основные компоненты модели Transformer - Multi Head Внимание и Positionwise Feedforward . Теперь посмотрим, как они работают вместе. Собираем все вместе PyTorch упрощает объектно-ориентированный дизайн с nn.Module , поэтому мы можем вкладывать компоненты, как в статье. Следуя их терминологии слой и подслой , я структурировал код в трех файлах: sublayers.py : определяет самые внутренние компоненты, а именно MultiHeadAttention и..