-
Transformer大模型尺寸变化: 重走CNN老路,贾扬清的感慨和趋势预测
本文分析了Transformer大模型尺寸变化的趋势,与CNN发展历程的对比,贾扬清等AI专家的感慨和趋势预测,以及行业对小型垂直模型的关注。了解模型规模变化对AI行业发展的影响。- 749
- 0
-
-
-
PyTorch中的优化器及训练简单卷积神经网络
本文介绍了PyTorch中常用的优化器以及如何使用PyTorch训练简单的卷积神经网络进行手写数字识别。通过选择合适的优化器能够有效影响模型的训练效果和速度,同时提供了一个完整的案例来帮助读者学习如何使用PyTorch进行神经网络训练。- 157
- 0
-
-
大核CNN架构UniRepLKNet:超越Transformer的多模态工具
腾讯AI实验室与港中文联合团队提出了一种新的大核CNN架构UniRepLKNet,能够超越Transformer在多模态任务上的表现,成为新的黑马。该架构在图像识别精度和速度上表现出色,并可轻松应用于点云、音频、视频等其他模态。了解更多关于UniRepLKNet的原理和应用。- 409
- 0
-
使用TensorFlow-CPU 2.4和Python 3.8搭建CNN模型处理CIFAR图像数据
本教程介绍了如何使用TensorFlow-CPU 2.4和Python 3.8搭建CNN模型处理CIFAR图像数据,包括加载、展示、处理数据以及搭建模型架构。通过本教程,您可以了解如何处理图像数据并构建一个卷积神经网络模型来进行图像分类任务。- 306
- 0
-
深度学习基础:卷积神经网络(CNN)结构及原理详解
本文详细介绍了卷积神经网络(CNN)的基本结构和原理,包括特征提取部分和分类部分的构成,卷积层的操作过程和输出特征图的计算方法。适合对深度学习感兴趣的读者阅读,是一篇关于深度学习基础知识的教程。- 366
- 0
-
-
机器学习入门实践:实现简单的CNN网络模型进行图片分类任务
本文介绍了如何实现一个简单的CNN网络模型进行图片分类任务,包括误差损失函数、梯度、正向传播和反向传播的相关知识。适合初学者入门机器学习和深度学习领域。- 195
- 0
-
-
-
PointNet++: 基于CNN的点云多层结构化神经网络
PointNet++是针对PointNet存在的局部特征学习问题进行的改进,引入了多层结构化神经网络设计思想,通过set abstraction实现多级别特征学习。本文讨论了PointNet++的设计原理和应用领域,以及与PointNet的比较。- 284
- 0
-
-
-
使用卷积神经网络(CNN)构建图像分类模型
本教程将详细介绍如何使用卷积神经网络(CNN)构建一个图像分类模型,使用Python和TensorFlow实现。了解CNN的基本原理和构建简单CNN模型的步骤。- 258
- 0
-
RCNN算法: 目标检测领域的里程碑论文
RCNN算法发表在2014年CVPR的经典paper,首次提出使用卷积神经网络处理目标检测的问题。文章详细介绍了RCNN算法的流程和思想,包括区域提名、特征计算、分类算法等重要部分。同时还介绍了IoU和边框回归等重要概念。- 107
- 0
-
-
-
深度学习基础入门篇[8]:计算机视觉与卷积神经网络
本文介绍了计算机视觉与卷积神经网络的基础知识,包括计算机视觉的发展历程、图像分类任务的发展和卷积神经网络的应用。适合初学者了解深度学习基础知识。- 355
- 0
-
-
-
标签转移学习中基础模型训练步骤及示例代码
了解标签转移学习中基础模型训练的步骤,包括准备数据集、构建模型架构、定义损失函数、配置优化器和训练模型。示例代码演示了使用CNN进行图像分类任务的训练过程。- 344
- 0
-
幸运之星正在降临...
点击领取今天的签到奖励!
恭喜!您今天获得了{{mission.data.mission.credit}}积分
我的优惠劵
-
¥优惠劵使用时效:无法使用使用时效:
之前
使用时效:永久有效优惠劵ID:×
没有优惠劵可用!