生成网络首先我们探讨老生常谈的有监督学习和无监督学习。 有监督学习，简单来说就是样本有真实类别的标签。 无监督学习主要是找寻数据自身内部的关系。 PCA降维，可能数据在y维度变化不是很明显，但是在x维度变化特别明显，在x维度投影就能有效区分数据。 这里注意这里是特征生成的x’和原本的数据样本x求L2损失，越小越好。并没有标签在内。 密度估计：男生女生身高体重样本混合在一起只关心男生的身高体重分布。
转载
2023-12-28 23:11:04
184阅读
翻译 | 王赫 编辑 | Donna2012年，三位深度学习的“巨人”Alex Krizhevsky, Ilya Sutskever 和 Geoffrey Hinton，联合发表了题为 “ImageNet Classification with Deep Convolutional Networks” 的论文。自此，卷积神经网络( CNNs )就成了一个万人追捧的工具，并使深度学习成为人工智能领
转载
2023-12-27 19:58:28
74阅读
无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。CNN简介卷积神经网络（Convolutional Neural Network，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wiesel在动
转载
2024-01-04 08:50:30
48阅读
刚入门机器学习、深度学习，主要用来做分类。在这里记录一下自己的学习历程吧，说一些自己的理解。首先就是有监督和无监督，有标签和无标签到底是什么？听师兄们在做报告的时候总会说到这些，心里总是有大大的疑惑！ 有监督学习，其实来说就是 对于一个东西，你已经知道他是什么东西了（这里的东西可以理解为训练集），然后你把这个东西告诉给神经网络或者是其他的算法，跟他说：这个东西就是属于这一类；
转载
2023-12-15 20:57:58
80阅读
文章目录卷积原理卷积一维卷积二维卷积卷积核的步长padding池化textcnn原理介绍：代码实践 卷积原理卷积神经网络是受生物学上感受野的机制而提出。感受野（Receptive Field） 主要是指听觉、视觉等神经系统中一些神经元的特性，即神经元只接受其所支 配的刺激区域内的信号。在视觉神经系统中，视觉皮层中的神经细胞的输出依 赖于视网膜上的光感受器。视网膜上的光感受器受刺激兴奋时，将神经冲
转载
2024-03-14 09:33:59
43阅读
2021年8月，来自美国研究人员在《BMC Bioinformatics》杂志发表了题为“CoSTA: unsupervised convolutional neural network learning for spatial transcriptomics analysis”的研究论文，提出了CoSTA：一种通过卷积神经网络（ConvNet）聚类学习基因表达矩阵之间空间相似性的新方法。空间转录
转载
2023-10-13 00:01:47
66阅读
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的
转载
2023-10-12 13:14:42
148阅读
AAAI-17 杰出论文奖（Outstanding Paper Award）论文标题：使用物理学和领域知识的神经网络的无标签监督（Label-Free Supervision of Neural Networks with Physics and Domain Knowledge）作者：Russell Stewart and Stefano Ermon关于该奖：AAAI 杰出论文奖获奖论文体现了技
文章目录为什么需要自监督学习？什么是自监督学习？Pretext Task进一步理解Pretext TaskClustering & Contrastive LearningContrastive Self-supervised Learning LearningDeep InfoMaxContrastive Predictive CodingLearning Invariance wit
转载
2024-01-03 13:46:16
104阅读
第二部分来看一下模型部分论文解析： 一、调用库文件和构建元组 1.使用collections.namedtuple构建命名元组，这里的元组包括编码器、图片高度、图片宽度、batchsize、线程数、每次的数量、是否生成立体图、模式、是否使用反卷积神经网络、图片损失函数阿尔法值、梯度损失权重、学习率损失权重等key。from __future__ import absolute_import, di
转载
2023-10-10 11:34:40
86阅读
摘要近年来，使用了深度卷积神经网络（CNN）的监督学习在计算视觉的应用上发挥很大作用，然而CNN的无监督学习较少引人注意。这项工作中希望有助于缩小CNN在监督学习和无监督学习成功的差距。作者提出了一种叫做深度卷积生成对抗网络（DCGAN）的CNN，它具有一定的结构约束，展示了一种在无监督学习方向上强有力的候选方案。通过在多种图像数据集上训练，作者展示了令人信服的证据，深度卷积对抗网络从
转载
2023-12-27 17:22:46
63阅读
阅读Antonio Gulli《Deep Learning with Tensorflow 2 and keras》Second Edition 第十章 Unsupervised Learning笔记使用TF2能实现哪些无无监督的算法呢？1、PCA、Kmeans可以使用TF2来实现PCA、Kmeans（之前我们主要使用sklearn来实现的），书本案例的实现方法是通过算法原理来实现的。 例如PCA
转载
2024-04-04 12:25:18
43阅读
神经网络神经网络：是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络有大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数学建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。 神经网络是一种运算模型，由大量的节点（或称“神经元”）和之间相互的联接构成。每个节点代表一种特定的输出
转载
2023-10-24 00:32:58
25阅读
一、监督学习事实上，到目前为止，几乎所有由 神经网络创造的经济价值都基于其中一种机器学习，我们称之为“监督学习”（supervised learning）。在监督学习中，输入 x，学习得到一个函数，映射到输出 y，比如之前输入房间特征，得到价格。下面是监督学习的一些例子 二、监督学习的应用深度学习在广告、计算机视觉、语音识别、机器翻译、无人驾驶等方面取得了显著的效果，创造了很多价值，而这
转载
2024-01-02 10:14:16
152阅读
Unsupervised CNN for Single View Depth Estimation: Geometry to the Rescue 作者R Garg ， KBG Vijay ， G Carneiro ，I Reid 论文原文：https://www.researchgate.net/publication/301292064_Unsupervised_CNN_for_Singl
转载
2023-11-20 08:56:48
78阅读
神经网络的神奇之处在哪？ 所有神经网络创造出来的价值，都是由一种机器学习，称之为监督学习， 下面这些例子神经网络效果拔群，通过深度学习获利最多的是在线广告 技术的进步来源于计算机视觉和深度学习例如：预测房价：输入房子的一些特性x，就能输出或者预测价格y在线广告： 给网站输入广告信息，网站会考虑是否给你看这个广告，向用户展现，最有可能用户会点开的广告，这说明了什么？有了一种能力，向用户展现广
转载
2023-12-28 11:32:58
169阅读
卷积神经网络1、卷积层（1）卷积操作：（2）卷积运算（3）多层网络卷积核的channel问题（4）常见疑问2、激活函数3、池化层（1）池化过程 对于图像检测、分类和识别等计算机视觉任务，卷积神经网络表现优异。卷积神经网络是由用于特征提取的卷积层和用于特征处理的池化层交叠组成的多层神经网络。1、卷积层卷积层主要目的就是完成图像的特征提取，其过程主要依靠于卷积核与输入图像进行的卷积运算。（1）卷积操
转载
2024-02-04 16:34:02
88阅读
科普知识现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。前言卷积神经网络的的重要性在于它的特征提取能力和降低计算参数的能力，其核心在于卷积操作（计算），卷积神经网络就是有一连串的卷积操作组成。上周的文章
转载
2024-02-19 11:21:21
37阅读
以下是最近在学习人工智能时整理的一点心得,没有很深的东西,觉得可以简单的了解一下机器学习与神经网络是什么机器学习所谓机器学习,就是在大量数据的运行下,使得计算机可以进行归纳,预测机器学习分为三类:监督学习,无监督学习,强化学习 抛开强化学习不讲,这里的监督学习与无监督学习的根本区别在于:有无数据的标记(即y值)我们将输入的数据称
转载
2023-11-12 13:06:08
114阅读
无监督学习机器学习常分为监督学习与无监督学习监督学习中，样本本身带有标签如图的回归算法，每个数据都带有标签 而非监督学习中，作为标签的y(i)遍不复存在，模型的输入只有X如下图所示：聚类在没有标签的数据中，我们总希望，能有一种算法，将相似特征的数据分到一起，给不同的数据归归类，从而在数据中找到规律或者其他可以利用的价值，聚类便是做这件事的聚类中有一个很经典的算法 K-means algorithm
转载
2023-12-02 23:23:28
54阅读
