來源：BAIR 編譯：Bing 編者按：關於訓練機器人抓手的研究並不少，大多都是從計算機視覺的角度出發，訓練機器人“看得清”、“抓得準”。本文同樣如此，不過與以往觀察彩色圖片不同，伯克利的研究

引言 當有一幅影象展示在面前時，我們的大腦會立即識別出其中包含的物體。而另一方面，機器卻需要花費大量時間並訓練資料以識別這些物體。但隨著最近硬體和深度學習的升級，計算機視覺領域變得更加容易和直觀。 請檢

最近在學習PyTorch框架，買了一本《深度學習之PyTorch實戰計算機視覺》，從學習開始，小編會整理學習筆記，並部落格記錄，希望自己好好學完這本書，最後能熟練應用此框架。 PyTorch是美國網際網路巨

原因 打算研究下AI，以便不那麼落後於這個時代，但是看了看，搞一個能支援AI演算法的顯示卡就要天文數字。所以找到了阿里雲的PAI平臺，打算跑跑自己寫的演算法，採坑無數，搞了兩天才搞定。 基本流程

Yoshua Bengio等人組織的深度學習&強化學習夏季課程最近放出了課程視訊， 課程 PPT  早些時候也都放了出來。該課程主要通過深度學習與強化學習從理論到實踐介紹各種先進方法，並覆蓋了機器學習

Taylor Guo @ Shanghai - 2018.10.22 - 星期一 PyTorch 資源連結 影象分類 VGG

本文基於2018年發表於期刊 ISPRS Journal of Photogrammetry and Remote Sensing （IF 5.994）上的論文“A deep learning framewor

對於一個新手來說，深度學習術語可能非常難以理解。本表試圖解釋深度學習常用術語並連結到原始參考，以幫助讀者深入瞭解特定主題。 深度學習與“一般”的機器學習術語之間的界限非常模糊。例如，我這裡不包括“交叉驗證”，因

TensorFlow.js 釋出之後我就把之前訓練的目標/人臉檢測和人臉識別的模型往 TensorFlow.js 裡導，我發現有些模型在瀏覽器裡執行的效果還相當不錯。感覺 TensorFlow.js

歡迎大家前往騰訊雲+社群，獲取更多騰訊海量技術實踐乾貨哦~ 本文由鵝廠優文發表於雲+社群專欄 一、前言 二、深度學習模型 1. Factorization-m

image 前置參考讀物： 《機器學習，看完就明白了》傳送門 獲取資料來源 訓練資料直接使用開源的手寫資料集MNIST。 MNIST資料集是一個開

本文介紹了由密歇根州立大學開發的移動端深度學習框架 NestDNN。該框架應用了研究者提出的多容量模型生成方法，可以動態地在多模型並行推斷過程中，通過準確率-資源權衡選擇合適容量的模型；NestDNN 可以最大

10月16日，2018年 AIIA人工智慧開發者大會在蘇州舉辦。會議邀請了國內外人工智慧產業知名人物、國家政府主管部門、行業內頂尖企業、知名學者代表、開源社群優秀貢獻團隊及個人，共同交流了技術現狀趨勢、生態建設

混著混著一年了，終於從一個渣碩混成了一個，呃，老渣碩了（淚）。半年前給大家分享了一些半監督深度學習的心得，看到有人覺得有用真的很開心。遂今天再寫篇文章感謝同學們（發不出論文，也只能在知乎上發文章爽一波了...o

去年寫過一篇 WGAN-GP 的入門讀物 互懟的藝術：從零直達WGAN-GP ，提到通過梯度懲罰來為 WGAN 的判別器增加 Lipschitz 約束（下面簡稱“L 約束”）。前幾天遐想時再次想到了 WGAN