MIT6.S094深度學習與無人駕駛整理筆記（1）——————課程相關資源
MIT6.S094課程：
用於深度學習的框架：
Google:Tensorflow Facebook:Torch Intel:neon Microsoft:CNTK JS-ConvNet JS Theano Caffe
深度學習庫：
Amazon:mxnet---AWS Keras ...
Tachnical resources:
Fun/insightful blogs:
MIT Courses:
15.S14: Global Business of AI $ Robotics:
課程小遊戲網址：
Fully Convolutional Network implementation:
相關推薦
MIT6.S094深度學習與無人駕駛整理筆記（1）——————課程相關資源
MIT6.S094課程： 用於深度學習的框架： Google:Tensorflow Facebook:Torch Intel:neon Microsoft:CNTK JS-ConvNet JS Theano
MIT6.S094深度學習與無人駕駛整理筆記（3）——————深度強化學習與運動規劃
1.一個神經元類似一個與非門，神經元電路與與非閘電路相比，可以執行與非門的操作，且還能學習由與非閘電路表示的任意的邏輯功能，並不需要人類工程師對其干涉，並還能進一步對其優化。 缺點：輸出不是很平滑不能用階躍函式，機器學習的過程一般是逐漸調整這些權值的過程，看他如何影響神經網
【蜂口 | AI人工智慧】人臉檢測（下）——龍鵬 深度學習與人臉影象應用連載（二）
我們接著上一節的分享，繼續分享人臉檢測的下半部分。這次的分享主要是深度學習相關的。我們會主要講述當前深度學習在人臉檢測這個領域的發展水平。主要從以下幾個方向進行分享： 首先，我們會講講當前主流的基於深度學習的一個人臉檢測的框架，包括兩個框架，一個是級聯CNN框架
《白話深度學習與Tensorflow》讀書筆記--第1章：機器學習是什麼
機器學習從學習的種類來說，可以分為兩種： 1.無監督學習，即人們獲得訓練的向量資料後在沒有標籤的情況下嘗試找出其內部蘊含關係的一種挖掘工作。 2.有監督學習，即每一個樣本都有著明確的標籤，最後總結出這些訓練向量與標籤的對映關係。 1.1 聚類 定義：是一種典型
【蜂口 | AI人工智慧】人臉年齡——龍鵬 深度學習與人臉影象應用連載（六）
[所有文章皆首發於蜂口知道公眾號，內容來源於蜂口小程式~請多關注瞭解] hi，大家好，我是龍鵬。 這次接著上一篇繼續給大家分享人臉影象相關的應用。本次的分享是人臉年齡這個問題。 本次的分享將包含三個方面的內容。 首先，對人臉年齡這個問題做一個通用的介紹。人臉年齡
【蜂口 | AI人工智慧】三維人臉重建——龍鵬 深度學習與人臉影象應用連載（十）
本次我們的分享是三維人臉重建問題，我們將從以下幾個方面給大家進行分享： 首先，我們對三維人臉重建做一個通用的介紹，並對它的常見的方進行比較詳細的介紹。 其次，我們對當前的三維人臉重建中最常用的一個模型，也就是3DMM模型給大家做個非常詳細的介紹。在我們的傳統方法和深度學習的方法中，都
【蜂口 | AI人工智慧】人臉風格化——龍鵬 深度學習與人臉影象應用連載（九）
本次我們接著上一節內容繼續分享，今天的分享內容是人臉風格化這個主題。同樣我們將從以下幾個方面給大家進行分享： 首先，我們會對風格化做一個簡單的介紹。風格化到底是一個什麼樣的課題？在我們這裡實際上包含了兩層內容，即通用的風格化問題和與人臉有關的風格化問題。 其次，我們將會對風格化中的核
【蜂口 | AI人工智慧】表情識別——龍鵬 深度學習與人臉影象應用連載（七）
本次繼續給大家帶來的是表情識別這個問題。我們將從四個方向給大家進行分享。 首先，我們會給大家科學地定義一下表情是什麼？表情實際上包含了我們平常所說的表情以及微表情。 其次，我們會簡單地介紹一下傳統方法的研究思路。傳統的方法主要從靜態圖和動態視訊兩個方面進行講述。 然後，我們再給大
吳恩達《深度學習》第四門課（1）卷積神經網絡
圖像分割 1.5 共享 信號處理 soft 沒有 樣本 填充 單元 1.1計算機視覺 （1）計算機視覺的應用包括圖像分類、目標檢測、圖像分割、風格遷移等，下圖展示了風格遷移案例： （2）圖像的特征量非常之大，比如一個3通道的1000*1000的照片，其特征為3*1000*
.NET深度學習框架ML.NET入門筆記（一）
ML.NET入門筆記 ML.NET機器學習框架是基於.NET core 2.x的,所以我們必須安裝.net core 2.x,然後順便安裝vs2017便於開發 1.建立專案 此例我們建立一個控制檯應用myApp,建立之後使用Nuget安裝 Mi
Sony深度學習框架 - Neural Network Console - 教程（1）- 原來深度學習可以如此簡單
“什麼情況！？居然不是黑色背景+白色文字的命令列。對，今天要介紹的是一個擁有白嫩的使用者介面的深度學習框架。” 人工智慧、神經網路、深度學習，這些概念近年已經湧入每個人的生活中，我想很多人早就按捺不住想親自試一試怎麼玩了。 然額，百度一下相關教程後，本來對人工智慧懷揣著美好憧憬的壯志青年開始懷疑人生了
【深度學習：CNN】Dropout解析（1）
一：引言 因為在機器學習的一些模型中，如果模型的引數太多，而訓練樣本又太少的話，這樣訓練出來的模型很容易產生過擬合現象。在訓練bp網路時經常遇到的一個問題，過擬合指的是模型在訓練資料上損失函式比較小，預測準確率較高（如果通過畫圖來表示的話，就是擬合曲線比較尖，不平滑
《程式設計師的自我修養——連結、裝載與庫》讀書筆記（1）
大部分人都知道我們寫的程式碼要經過預處理、編譯、彙編成目標檔案，然後經過連結生成最終的可執行檔案，但是細節上是怎麼一回事就懶得管了。編譯的過程我還算有點了解，什麼詞法分析、語法分析、語義分析之類一系列複雜的步驟，最終得到目標檔案，然而連結就完全不知道是怎麼一回事了。讀這本書前，我曾經一直以為
深度學習，無人駕駛
目前有很多深度學習框架可以用來構建深度學習模型，例如TensorFlow、TFLearn、Theano、Caffe、PyTorch、MXNet和Keras等等。其中Keras是一個非常簡潔的框架，其後端多采用TensorFlow或Theano，目前Keras已經被Google官方支援。
深度學習與自動駕駛領域的資料集（KITTI,Oxford,Cityscape,Comma.ai,BDDV,TORCS,Udacity,GTA,CARLA,Carcraft)
資料集名稱 KITTI Oxford RobotCar 論文連結 http://robotcar-dataset.robots.ox.ac.uk/images/robotcar_ijrr.pdf Over the period of Ma
MIT 深度學習與自動駕駛公開課 Deep Learning for Self-Driving Cars 講義梗概
MIT今年的深度學習與自動駕駛課，課程比較短，只有五節課，是比較基礎的概述。 提綱整理如下： Introduction to Deep Learning and Self-Driving Cars Deep Reinforcement Learning
吳恩達《深度學習》第五門課（2）自然語言處理與詞嵌入
星級 技術 ima lac 個數 應該 ras 時有 根據 2.1詞匯表征 （1）使用one-hot方法表示詞匯有兩個主要的缺點，以10000個詞為例，每個單詞需要用10000維來表示，而且只有一個數是零，其他維度都是1，造成表示非常冗余，存儲量大；第二每個單詞表示的向量相
Note——Neural Network and Deep Learning （1）[神經網路與深度學習學習筆記（1）]
一、初學神經網路的體會 正如書中作者說的神經網路可以被稱作最美的程式設計正規化之一，神經網路將我們需要解決的複雜問題，比如手寫字型分類，簡化成一個個簡單的步驟，而本人無需瞭解內部的具體結構引數變化等。關於神經網路已經有很多實用的庫，使用這些庫可以很快的解決問題。但是不滿
深度學習與卷積神經網路（直觀理解）
基本上在輸入影象中，如果有一個形狀是類似於這種濾波器的代表曲線，那麼所有的乘積累加在一起會導致較大的值！現在讓我們看看當我們移動我們的過濾器時會發生什麼。可以看到結果值是0哦，為什麼？還不明白麼，因為耳朵的邊緣和剛剛尾股部曲線太不同了。 這樣的多個濾波器就可以在大量資料的訓練下得到大量特徵了
斯坦福CS231n深度學習與計算機視覺課程學習筆記（1）——Introduction
這是一門關於計算機視覺的課程，基於一種專用的模型架構，叫做神經網路（更細一點說，是卷積神經網路CNN）。計算機視覺是人工智慧領域中發展最為迅猛的一個分支，是一個與很多領域緊密關聯的學科。視覺資訊，或者叫畫素資訊是最難被利用的資訊，可以把它稱之為“網際網路中的暗物質”。我們現在