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

概述： 機器人廣泛應用於工業生產的加工和裝配等各個領域。傳統的工業機器人需要通過複雜的標定和預程式設計來完成任務。近年來，自動化水平的發展對機器人在不確定環境下執行復雜任務提出了更高的要求。因而機器人

俗話說得好，人往高處走。 在當前人工智慧火得一塌糊塗的時候，很多程式員的心思也開始活絡起來了。 “要不要轉行做人工智慧？” 想必是很多程式員心中都有過的念頭。 到底該怎麼轉呢？很多人查了資料之後

Kloud Strife在其部落格上盤點了今年最值得關注的有關深度學習的論文，包括架構/模型、生成模型、強化學習、SGD & 優化及理論等各個方面，有些論文名揚四海，有些論文則非常低調。 一如既

無監督學習是當今計算機視覺領域最困難的挑戰之一。這項任務在人工智慧和新興技術中有著巨大的實用價值，因為可以用相對較低的成本收集大量未標註的視訊。 —————— 01 概述 —————— 今天，我

11月2日 前購票，立享 7 折優惠！更有學生專享福利！掃碼報名 ↑↑↑ 提到 AI，大家馬上想到計算機視覺、語音識別、自動駕駛、自然語言處理、晶片這些熱門技術領域，這些領域的技術人

這簡直太容易了，連你的老闆都能做到！ 本文展示瞭如何用 Keras 構建深度學習模型的簡單示例，將其作為一個用 Flask 實現的 REST API，並使用 Docker 和 Kubernete