很多情況下，我們需要將Github上的代碼拉到本地，一般有兩種方法：第一種是直接點擊下載，另一種是利用git。git作為一個版本控制軟件，更是廣為使用。本文將簡介在Mac上如...
發(fā)簡信
IP屬地：北京
-
Mac上安裝Git并與Github或Gitlab進行連接
-
你好，我想請問一下，這里的模型，能夠自定義么？大多數(shù)的例子都是以VGG16作為模型，若是能應用自定義模型，那里面的guided_model以及其他參數(shù)是否有什么變動？
Grad-CAM 卷積網(wǎng)絡中的熱力圖
github地址論文地址使用Grad-CAM 對卷積網(wǎng)絡中的特征圖進行加權求和，得到卷積conv5的熱力圖，這種可視化機制必須有一個前置條件就是告訴算法具體的類別，通過這個輸...
-
@沙華_2fb6 layer 是一個列表參數(shù)，函數(shù)中l(wèi)ayer[0],layer[1]什么的都是指第1,2層中LSTM單元的個數(shù)
深度學習之路（一）：用LSTM網(wǎng)絡做時間序列數(shù)據(jù)預測
簡介 問題：有一組1維數(shù)據(jù)，可能是某商品的銷售量，可能是股票的價格等，用深度學習模型來解決對該數(shù)據(jù)的預測問題，比如用前50個數(shù)據(jù)，來預測下一個數(shù)據(jù)。 數(shù)據(jù)的讀取及處理： 讀取...
-
數(shù)據(jù)集我都忘記是哪里的一個1維數(shù)據(jù)的數(shù)據(jù)集了，至于模型的話，按照文中的各個模塊寫在一起就行了。
深度學習之路（一）：用LSTM網(wǎng)絡做時間序列數(shù)據(jù)預測
簡介 問題：有一組1維數(shù)據(jù)，可能是某商品的銷售量，可能是股票的價格等，用深度學習模型來解決對該數(shù)據(jù)的預測問題，比如用前50個數(shù)據(jù)，來預測下一個數(shù)據(jù)。 數(shù)據(jù)的讀取及處理： 讀取...
-
深度學習之——優(yōu)化器一、什么是優(yōu)化器 優(yōu)化器或者優(yōu)化算法，是通過訓練優(yōu)化參數(shù)，來最小化（最大化）損失函數(shù)。損失函數(shù)是用來計算測試集中目標值Y的真實值和預測值的偏差程度。 為了使模型輸出逼近或達到...
-
分布式日志收集框架Flume
Flume概述 Flume在大數(shù)據(jù)中扮演著數(shù)據(jù)收集的角色，收集到數(shù)據(jù)以后在通過計算框架進行處理。Flume是Cloudera提供的一個高可用的，高可靠的，分布式的海量日志采集...
-
Python+Selenium，讓瀏覽器自動幫你下文獻在做學術、搞科研的過程中，我們往往需要針對一個特定的主題下載海量的文獻。在把幾百篇文獻下載到電腦的過程中，假如遇到不夠友好的數(shù)據(jù)庫不提供批量下載的功能，怎么辦？我恰好遇到了這...
-
史上最全的cnn參數(shù)計算詳解廢話不多說, 直接上示例 1. 前戲 卷積前后大小變化示例 現(xiàn)實中的例子 featural金字塔 cnn內部可視化 filter, activation map可視化 cnn...
-
推薦系統(tǒng)遇上深度學習(二十九)--協(xié)同記憶網(wǎng)絡理論及實踐協(xié)同過濾(collaborative filtering)是推薦系統(tǒng)中經典的一類方法。協(xié)同過濾中比較經典的解法有基于鄰域方法、矩陣分解等，這些方法都有各自的優(yōu)點和缺點，本文介...
-
推薦系統(tǒng)遇上深度學習(三十四)--YouTube深度學習推薦系統(tǒng)看題目，相信大家都知道本文要介紹的便是經典的Youtube的深度學習推薦系統(tǒng)論文《Deep Neural Networks for YouTube Recommendatio...
-
一文讓你理解什么是卷積神經網(wǎng)絡一文讓你理解什么是卷積神經網(wǎng)絡 從神經網(wǎng)絡到卷積神經網(wǎng)絡（CNN） 我們知道神經網(wǎng)絡的結構是這樣的： 那卷積神經網(wǎng)絡跟它是什么關系呢？其實卷積神經網(wǎng)絡依舊是層級網(wǎng)絡，只是層的...
-
本專題招募管理員，有意向請簡信私聊，謝謝！ 用來分享機器學習，深度學習，神經網(wǎng)絡，計算機視覺等領域的一些技術。 Machine Learning 學習資料：http://m.itdecent.cn/p/e0238db24973 相關參考： 1. [Coursera - Machine Learning by Andrew Ng]：https://www.coursera.org/learn/machine-learning 2. [ Stanford CS231n Course]：http://cs231n.github.io/ 課程整理：http://m.itdecent.cn/p/182baeb82c71 3. [深度學習與神經網(wǎng)絡(英文原版)]：http://neuralnetworksanddeeplearning.com/ [GitBook同步鏈接]：https://www.gitbook.com/book/tigerneil/neural-networks-and-deep-learning-zh/details 4. [UFLDL教程]：http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B （中文） http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial （英文） 5. [Deep Learning - An MIT Press book]：http://www.deeplearningbook.org/ 6. [Neural Network Playground]： http://playground.tensorflow.org/ 7. [A Guide to Deep Learning]： http://m.itdecent.cn/p/6752a8845d01 8. [知乎“機器學習”專欄]： https://www.zhihu.com/collection/108812637 9. [How do Convolutional Neural Networks work?] http://m.itdecent.cn/p/fe428f0b32c1 …… 希望大家可以相互交流，相互學習！
