Basis(基础)：SSE(Sum of Squared Error, 平方误差和)SAE(Sum of Absolute Error, 绝对误差和)SRE(Sum of Relative Error, 相对误差和)MSE(Mean Squared Error, 均方误差)RMSE(Root Mean Squared Error, 均方根误差)RRSE(Root Relative Squa

1. Recurrent Neural Network (RNN)尽管从多层感知器（MLP）到循环神经网络（RNN）的扩展看起来微不足道，但是这对于序列的学习具有深远的意义。循环神经网络（RNN）的使用是用来处理序列数据的。在传统的神经网络中模型中，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题是无能为力的。比如，预测句子的下一个单词是什么，一般需要用到

computer vision(cv) 存在ICCV/CVPR/ECCV三个顶级会议, 它们档次差不多,都应该在一流会议行列, 没有必要给个高下. 有些us的人认为ICCV/CVPR略好于ECCV,而欧洲人大都认为ICCV/ECCV略好于CVPR,某些英国的人甚至认为BMVC好于CVPR.简言之, 三个会议差不多, 各有侧重和偏好.三者乃cv领域的旗舰和风向标,其oral paper(

神经网络是机器学习算法中最流行和最强大的一类。在计量金融中，神经网络常被用于时间序列预测、构建专用指标、算法交易、证券分类和信用风险建模。它们也被用于构建随机过程模型和价格衍生品。尽管神经网络有这些用处，但它们却往往有一个坏名声，因为它们的表现是「不可靠的」。在我看来，原因在于对神经网络工作原理存在误解，导致网络设计也很糟糕。本文将对其中的一些误解进行讨论。核心要点神经网络不是人类大脑的模

由于UCSB是季度制，9月下旬才开学，于是不久前我决定亲自上阵给实验室的同学们配一台多显卡的深度学习服务器。​第一次配4块Titan X Pascal的台式机器，也没什么太多经验，结合网友们和朋友们的建议，我实验性的装了一下，最后也算一切顺利。不少同学找我要配置，我不是搞硬件的，只不过中间有些经验教训，跟大家分享一下。我的配置：GPU: 4 x Titan X Pascal GPU。之所以不选择1

神经网络是机器学习算法中最流行和最强大的一类。在计量金融中，神经网络常被用于时间序列预测、构建专用指标、算法交易、证券分类和信用风险建模。它们也被用于构建随机过程模型和价格衍生品。尽管神经网络有这些用处，但它们却往往有一个坏名声，因为它们的表现是「不可靠的」。在我看来，原因在于对神经网络工作原理存在误解，导致网络设计也很糟糕。本文将对其中的一些误解进行讨论。核心要点神经网络不是人类大脑的模

作者：SIGAI人工智能平台，出处：SIGAI人工智能平台，公众号：SIGAI-----------------------------------------1.SAR舰船目标检测概述合成孔径雷达(Synthetic Aperture Radar, SAR)具有全天候、全天时、不受天气影响等成像特点，目前已经成为人们对地观测的重要手段之一[1]。因此，利用SAR数据进行目标检测...

欢迎转载，转载请注明：本文出自Bin的专栏blog.csdn.net/xbinworld。 2017年3 月，谷歌大脑负责人 Jeff Dean 在 UCSB 做了一场题为《通过大规模深度学习构建智能系统》的演讲[9]。Jeff Dean 在演讲中提到，当前的做法是：解决方案 = 机器学习（算法）+ 数据 + 计算力未来有没有可能变为：解决方案 = 数据 + 100 倍的计算力？由此可见，谷歌似乎

1. UC Merced Land-Use Data Set图像像素大小为256*256，总包含21类场景图像，每一类有100张，共2100张。http://weegee.vision.ucmerced.edu/datasets/landuse.html2. WHU-RS19 Data Set图像像素大小为600*600，总包含19类场景图像，每一类大概50张，共1005张。https://dow