深度學習超分辨開山之作SRCNN

作為將深度學習應用於超分辨的開山之作，論文的思路來源於前人的基於稀疏編碼的單幀超分辨重建演算法。作者設計了一個3層的CNN，以逐畫素損失為代價函式。感覺沒有什麼特別的技巧，取得了state of art的效果。 網路結構 SRCNN 預測過程：首先將影象插值一定的倍數作

《吳恩達深度學習工程師系列課程之——改善深層神經網路：超引數除錯、正則化以及優化》學習筆記

本課程分為三週內容： 深度學習的使用層面 優化演算法 超引數除錯、Batch正則化和程式框架 WEEK1 深度學習的使用層面 1.建立神經網路時選擇： 神經網路層數 每層隱藏單元的個數 學習率為多少 各層採用的啟用函式為哪些 2

大型園區網絡排錯篇之概念開山之作

通信 ati ces 安全 alt 管理 ftp服務器 water itil 網絡維護涉及到的方面網絡維護的方法： 故障驅動方法：故障時進行修復 結構話方法：規劃任務並定義步驟 利用結構化方法進行網絡維護的優點 1）網絡故障時間 2）的性價比 3）地滿足業務需求和目標 4）

深度學習Keras框架筆記之TimeDistributedDense類

nts ini OS sample con stream 輸出 without 實例 深度學習Keras框架筆記之TimeDistributedDense類使用方法筆記 例： keras.layers.core.TimeDistribut

深度學習Keras框架筆記之AutoEncoder類

seq boolean red any ati RR blog data val 深度學習Keras框架筆記之AutoEncoder類使用筆記 keras.layers.core.AutoEncoder(encoder, decoder,output_recon

深度學習Keras框架筆記之Activation類使用

UNC 一個 HA brush theano predict bool sha red 使用 keras.layers.core.Activation(activation) Apply an activation function tothe in

RCNN- 將CNN引入目標檢測的開山之作

前面一直在寫傳統機器學習。從本篇開始寫一寫 深度學習的內容。 可能需要一定的神經網路基礎（可以參考 Neural networks and deep learning 日後可能會在專欄釋出自己的中文版筆記）。 RCNN (論文：Rich feature hierarchie

五個案例，三大心得，深度學習的實踐應用之路

原文連結：http://geek.csdn.net/news/detail/202622 這篇文章對深度學習在工程級別應用上遇到的問題進行了很好地總結，並且提出一些有建設性的解決方案，很有實際意義。 當我們需要用深度學習處理現實問題時，除了相關

DL之Yolo系列：深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略

DL之Yolo系列：深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略     Yolo系列的論文簡介 1、Yolo V1簡介   2、Yolo V2簡介   3、Yolo V3簡介   &

《白話深度學習與TensorFlow》之深度學習為什麼這麼強

《白話深度學習與TensorFlow》 之深度學習為什麼這麼強 1. 不用再提取特徵 由於巨量的線性分類器的堆疊（並行和序列）以及卷積網路的使用，它對噪聲的忍耐能力、對多通道資料上投射出來的不同特徵偏向的敏感程度會自動重視或者忽略。 2. 處理線性不可分 神經網

1 Oracle深度學習筆記——記憶體架構之概述

1.Oracle深度學習筆記——記憶體架構之概述         歡迎轉載，轉載請標明出處：http://blog.csdn.net/notbaron/article/details/50558131  

深度學習編譯中介軟體之NNVM(五)TVM論文閱讀

參考文件 摘要：現今，像Tensorflow，MXNet，Caffe和Pytorch這樣的可擴充套件框架共同驅動了深度學習的流行度和實用性。但是，這些框架只為一些伺服器端GPU提供優化，並將工作負載部署到其他平臺，如移動手機，嵌入式裝置和其他特定的加

深度學習UFLDL教程翻譯之自動編碼器

一、自動編碼器        目前為止,我們介紹了神經網路在有標籤的訓練樣本的有監督學習中的應用.現在假設我們只有一個未標記的訓練集{x(1),x(2),x(3),…},其中x是n維的.自動編碼器神經

深度學習常用啟用函式之— Sigmoid & ReLU & Softmax

1. 啟用函式 Rectified Linear Unit(ReLU) - 用於隱層神經元輸出Sigmoid - 用於隱層神經元輸出Softmax - 用於多分類神經網路輸出Linear - 用於迴

深度學習---煉丹trick之正確使用BN（訓練和測試/預測時怎麼用）

一、為什麼需要batch normalization 儘管梯度下降法訓練神經網路很簡單高效，但是需要人為地去選擇引數，比如學習率，引數初始化，權重衰減係數，Dropout比例等，而且這些引數的選擇對於訓練結果至關重要，以至於我們很多時間都浪費到這些調參上。BN演算法的強大之處在下面幾個方

深度學習---煉丹trick之Normalization（BN/LN/WN/CN）

參考文獻：詳解深度學習中的Normalization，BN/LN/WN https://zhuanlan.zhihu.com/p/33173246 3主流 Normalization 方法梳理 在上一節中，我們提煉了 Normalization 的通用公式： 對照於這一公

Processing 教程(13) 我的3D開山之作！

float t; void setup(){ //size(720,404, P3D); fullScreen(P3D); t=0; textSize(32); } void draw(){

機器學習(Machine Learning)與深度學習(Deep Learning)資料 之 文章、部落格

介紹:這是一篇介紹機器學習歷史的文章，介紹很全面，從感知機、神經網路、決策樹、SVM、Adaboost到隨機森林、DeepLearning.介紹:這一篇介紹如果設計和管理屬於你自己的機器學習專案的文章，裡面提供了管理模版、資料管理與實踐方法.介紹:如果你還不知道什麼是機器學習

深度學習UFLDL教程翻譯之卷積神經網路（一）

A、使用卷積進行特徵提取 一、概述        在前面的練習中，你解決了畫素相對較低的影象的相關問題，例如小的圖片塊和手寫數字的小影象。在這個節，我們將研究能讓我們將這些方法拓展到擁有較大影象的更加

簡單易懂的講解深度學習（入門系列之八）