很多情況下曙旭，我們需要將Github上的代碼拉到本地诈唬，一般有兩種方法：第一種是直接點(diǎn)擊下載，另一種是利用git坛掠。git作為一個(gè)版本控制軟件圈澈，更是廣為使用咱揍。本文將簡(jiǎn)介在Mac上如...
發(fā)簡(jiǎn)信
IP屬地：北京
-
Mac上安裝Git并與Github或Gitlab進(jìn)行連接
-
你好节预，我想請(qǐng)問(wèn)一下，這里的模型狈究，能夠自定義么碗淌？大多數(shù)的例子都是以VGG16作為模型，若是能應(yīng)用自定義模型抖锥，那里面的guided_model以及其他參數(shù)是否有什么變動(dòng)亿眠？
Grad-CAM 卷積網(wǎng)絡(luò)中的熱力圖
github地址論文地址使用Grad-CAM 對(duì)卷積網(wǎng)絡(luò)中的特征圖進(jìn)行加權(quán)求和，得到卷積conv5的熱力圖磅废，這種可視化機(jī)制必須有一個(gè)前置條件就是告訴算法具體的類別纳像，通過(guò)這個(gè)輸...
-
@沙華_2fb6 layer 是一個(gè)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(gè)數(shù)
深度學(xué)習(xí)之路（一）：用LSTM網(wǎng)絡(luò)做時(shí)間序列數(shù)據(jù)預(yù)測(cè)
簡(jiǎn)介 問(wèn)題：有一組1維數(shù)據(jù)拯勉，可能是某商品的銷(xiāo)售量竟趾，可能是股票的價(jià)格等耙考，用深度學(xué)習(xí)模型來(lái)解決對(duì)該數(shù)據(jù)的預(yù)測(cè)問(wèn)題，比如用前50個(gè)數(shù)據(jù)潭兽，來(lái)預(yù)測(cè)下一個(gè)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(gè)1維數(shù)據(jù)的數(shù)據(jù)集了斗遏，至于模型的話山卦，按照文中的各個(gè)模塊寫(xiě)在一起就行了。
深度學(xué)習(xí)之路（一）：用LSTM網(wǎng)絡(luò)做時(shí)間序列數(shù)據(jù)預(yù)測(cè)
簡(jiǎn)介 問(wèn)題：有一組1維數(shù)據(jù)诵次，可能是某商品的銷(xiāo)售量账蓉，可能是股票的價(jià)格等，用深度學(xué)習(xí)模型來(lái)解決對(duì)該數(shù)據(jù)的預(yù)測(cè)問(wèn)題逾一，比如用前50個(gè)數(shù)據(jù)铸本，來(lái)預(yù)測(cè)下一個(gè)數(shù)據(jù)。 數(shù)據(jù)的讀取及處理： 讀取...
-
深度學(xué)習(xí)之——優(yōu)化器一遵堵、什么是優(yōu)化器 優(yōu)化器或者優(yōu)化算法箱玷，是通過(guò)訓(xùn)練優(yōu)化參數(shù)，來(lái)最小化（最大化）損失函數(shù)陌宿。損失函數(shù)是用來(lái)計(jì)算測(cè)試集中目標(biāo)值Y的真實(shí)值和預(yù)測(cè)值的偏差程度锡足。 為了使模型輸出逼近或達(dá)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(guò)計(jì)算框架進(jìn)行處理壳坪。Flume是Cloudera提供的一個(gè)高可用的舶得，高可靠的，分布式的海量日志采集...
-
Python+Selenium爽蝴，讓瀏覽器自動(dòng)幫你下文獻(xiàn)在做學(xué)術(shù)沐批、搞科研的過(guò)程中，我們往往需要針對(duì)一個(gè)特定的主題下載海量的文獻(xiàn)蝎亚。在把幾百篇文獻(xiàn)下載到電腦的過(guò)程中九孩，假如遇到不夠友好的數(shù)據(jù)庫(kù)不提供批量下載的功能，怎么辦颖对？我恰好遇到了這...
-
史上最全的cnn參數(shù)計(jì)算詳解廢話不多說(shuō), 直接上示例 1. 前戲 卷積前后大小變化示例 現(xiàn)實(shí)中的例子 featural金字塔 cnn內(nèi)部可視化 filter, activation map可視化 cnn...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(二十九)--協(xié)同記憶網(wǎng)絡(luò)理論及實(shí)踐協(xié)同過(guò)濾(collaborative filtering)是推薦系統(tǒng)中經(jīng)典的一類方法捻撑。協(xié)同過(guò)濾中比較經(jīng)典的解法有基于鄰域方法、矩陣分解等缤底，這些方法都有各自的優(yōu)點(diǎn)和缺點(diǎn)顾患，本文介...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(三十四)--YouTube深度學(xué)習(xí)推薦系統(tǒng)看題目，相信大家都知道本文要介紹的便是經(jīng)典的Youtube的深度學(xué)習(xí)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(jīng)網(wǎng)絡(luò)一文讓你理解什么是卷積神經(jīng)網(wǎng)絡(luò) 從神經(jīng)網(wǎng)絡(luò)到卷積神經(jīng)網(wǎng)絡(luò)（CNN） 我們知道神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是這樣的： 那卷積神經(jīng)網(wǎng)絡(luò)跟它是什么關(guān)系呢个唧？其實(shí)卷積神經(jīng)網(wǎng)絡(luò)依舊是層級(jí)網(wǎng)絡(luò)江解，只是層的...
-
本專題招募管理員犁河，有意向請(qǐng)簡(jiǎn)信私聊鳖枕，謝謝！ 用來(lái)分享機(jī)器學(xué)習(xí)桨螺，深度學(xué)習(xí)宾符，神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)視覺(jué)等領(lǐng)域的一些技術(shù)灭翔。 Machine Learning 學(xué)習(xí)資料：http://www.reibang.com/p/e0238db24973 相關(guān)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://www.reibang.com/p/182baeb82c71 3. [深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)(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://www.reibang.com/p/6752a8845d01 8. [知乎“機(jī)器學(xué)習(xí)”專欄]： https://www.zhihu.com/collection/108812637 9. [How do Convolutional Neural Networks work?] http://www.reibang.com/p/fe428f0b32c1 …… 希望大家可以相互交流魏烫，相互學(xué)習(xí)！
