logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

Deep Learning(深度学习)相关网站

Deep Learning(深度学习)相关网站Deep Learning(深度学习)ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习):一ufldl的2个教程(这个没得说,入门绝对的好教程,Ng的,逻辑清晰有练习):二Bengio团队的deep learning教程,用的theano库,主要是rbm系列,搞python的可以参考,很不错。deeplea...

《数据分析与挖掘实战》总结及代码练习---chap6 电力窃漏电用户自动识别

 目录6 电力窃漏电用户自动识别背景:分析方法与过程:总结:步骤:数据抽取:数据分析探索:构建专家样本用户实时诊断 6 电力窃漏电用户自动识别背景:传统:防止窃漏电,定期巡逻,定期检验电表,用户举报窃电        ...

国外互联网公司大数据技术架构研究

Google大数据技术架构探秘一、GoogleGoogle是大数据时代的奠基者 ,其大数据技术架构一直是互联网公司争相 学习和 研究的重点,也是行业大数据技术架构的标杆和示范。1、谷歌的数据中心谷歌已经建立了世界上最快、最强大、最高质量的数据中心,它的8个主要 数据中心都远离其位于加州山景城的总部,分别位于美国南卡罗来纳州的伯克利 郡,爱荷华州的康瑟尔布拉夫斯,乔治亚州的道格拉斯郡...

SLAM算法解析

【嵌牛导读】:SLAM(Simultaneous Localization and Mapping) 是业界公认视觉领域空间定位技术的前沿方向,中文译名为「同步定位与地图构建」,它主要用于解决机器人在未知环境运动时的定位和地图构建问题。【嵌牛鼻子】:有人就曾打比方,若是手机离开了 WIFI 和数据网络,就像无人车和机器人,离开了 SLAM 一样。【嵌牛正文】:目前科技发展速度飞快,想让用户在 AR

yolo目标检测系列--综述--v2

Joseph Redmon , Ali Farhadi.YOLO9000: Better, Faster, Stronger. CVPR 2017 (Best Paper Honorable Mention)https://arxiv.org/abs/1612.08242YOLO v2 简述•YOLOv2是YOLO的第二个版本,其目标是在提高速度的同时显著提高准确度。改进之处(1) YOLO v2

深入理解CPU和异构计算芯片GPU/FPGA/ASIC (下篇)

深入理解CPU和异构计算芯片GPU/FPGA/ASIC (下篇)3.2.1 CPU计算能力分析这里CPU计算能力用Intel的Haswell架构进行分析,Haswell架构上计算单元有2个FMA(fused multiply-add),每个FMA可以对256bit数据在一个时钟周期中做一次乘运算和一次加运算,所以对应32bit单精度浮点计算能力为:(256bit/32bit)2(FMA)...

pycuda使用简介

开始使用环境 win10, visual studio 2019, pycuda 2019.02,在你使用PyCuda之前,要先用import命令来导入并初始化一下。import pycuda.driver as cudaimport pycuda.autoinitfrom pycuda.compiler import SourceModule这里要注意,你并不是必须使用 pycud...

简单认识Adam优化器

简单认识Adam优化器基于随机梯度下降(SGD)的优化算法在科研和工程的很多领域里都是极其核心的。很多理论或工程问题都可以转化为对目标函数进行最小化的数学问题。按吴恩达老师所说的,梯度下降(Gradient Descent)就好比一个人想从高山上奔跑到山谷最低点,用最快的方式(steepest)奔向最低的位置(minimum)。SGD基本公式动量(Momentum)参考链接:https://dis

卷积原理:几种常用的卷积(标准卷积、深度卷积、组卷积、扩展卷积、反卷积)

转载自:https://blog.csdn.net/chenyuping333/article/details/82531047?utm_source=blogxgwz60、标准卷积默认你已经对卷积有一定的了解,此处不对标准卷积细讲。举个例子,假设有一个3×3大小的卷积层,其输入通道为16、输出通道为32。那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积,这样每个卷积核需要3×3×16

强化学习——强化学习的算法分类

1. 算法分类现代强化学习算法分类---图片来自Open AI Spinning up 项目---由于强化学习是一个更新速度非常快的领域,所以准确地全面地分类是相当困难的,Spinning up 项目组给出的这个分类虽然并不全面,但是对初学者来说是非常有用了。可以看出强化学习可以分为Model-Free(无模型的) 和 Model-based(有模型的) 两大类。Model-Free 又分成基于P

    共 19 条
  • 1
  • 2
  • 请选择