RNN理解：对于一段输入，如果前后文之间有关联，传统神经网络不能提取、处理这种关联信息（输入的各部分是独立无影响的）RNN可以在训练时，将前一阶段的特征保留，并传入到下一阶段一同训练，一定程度上处理了前后文的关联关系作用：对于时序输入问题进行训练：文本分析、机器翻译 RNN结构示意： 对于t时刻的RNN cell，有两个输入，一个输出：Xt：t时刻的输入
转载
2024-04-25 18:46:57
66阅读
既然选择了机器学习的方向,所以对经典且必须要掌握的算法还是要理解和推导复现的,为了避免遗忘,整理了一些链接的汇总,这里记录分享下.因为突然对GAN(Generative Adversarial Network)有了兴趣,所以找了一些资料来进行学习,为了避免误导和我一样的小白,所以这里放上几个大牛的链接和讲解.一 GAN1 李宏毅老师的视频和PPT ,链接如...
原创
2021-09-01 16:12:17
238阅读
RNN（Recurrent Neural Network）是一类用于处理序列数据的神经网络。首先我们要明确什么是序列数据，摘取百度百科词条：时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。这是时间序列数据的定义，当然这里也可以不是时间，比如文字序列，但总归序列数据有一个特点——后面的数据跟前面的数据有关系。RNN的结构及变体我们从基础的神经网络中知
前言GAN（生成对抗网络）是2014年由Goodfellow大佬提出的一种深度生成模型，适用于无监督学习、监督学习。但是GAN进行生成时是不可控的，所以后来又有人提出可控的CGAN（条件生成对抗网络）。GANIntroduce在以往的模型发展中，判别模型的发展是非常成功的，但是生成模型则没有那么大的影响，这是因为有很多难以计算的问题。作者提出的GNN是一种全新的架构，生成模型可以被认为是造假团队，
转载
2024-10-21 14:08:50
49阅读
讲讲最近深度学习里面的后期之秀吧，Transformer（和变形金刚没有半毛钱关系）话说自公元二零一三年，深度学习网络一枝独秀，自机器学习王国脱颖而出，带动了人工智能领域的发展。其中它最主要的两大家，卷积网络（CNN）和循环网络（RNN），因其独特的性质，分别在计算机视觉和自然语言处理领域得到广泛使用。然而这两大家却都还是上世纪就被提出来了，本世纪虽有创新，却也逃脱不了这两大家的干系。前有 RNN
目录 1、AlexNet网络模型2、VGG网络模型3、Inception模型（googleNet）3.1[v1]3.2[v2]3.3[v3]4 ResNet1、AlexNet网络模型2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注。主要特点有：更深的网络结构使用层叠的卷积层，即卷积层+卷积层+池化
转载
2024-08-12 11:55:32
69阅读
人工智能之循环神经网络（RNN） 文章目录人工智能之循环神经网络（RNN）前言一、RNN是什么？二、RNN与全连接神经网络的区别1.全连接神经网络2.循环神经网络（CNN）3.RNN参数学习过程4.总结 前言在我的上一篇博客计算机视觉之卷积神经网络(CNN)，讲述了计算机如何利用卷积神经网络来进行图像识别，在识别图像时，输入的每张图片都是孤立的，识别出这张图片是猫并不会对识别出下一张图片是狗造成影
转载
2024-06-07 20:54:08
98阅读
本文旨在友好地介绍深度学习架构，包括卷积神经网络CNN、循环神经网络RNN、生成对抗网络GAN、transformer和 encoder-decoder架构。闲话少说，让我们直接开始吧。
原创
2024-09-02 17:13:50
179阅读
Transformers是一种神经网络架构，广泛应用于自然语言处理NLP任务，如翻译、文本分类和问答系统。它们是在 2017 年发表的
1. 引言本文旨在友好地介绍深度学习架构，包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、transformer 和 encoder-decoder 架构。闲话少说，让我们直接开始吧。2. 卷积神经网络卷积神经网络（CNN）是一种人工神经网络，旨在处理和分析具有网格状拓扑结构的数据，如图像和视频。将 CNN 想象成一个多层过滤器，可处理图像以提取有意义的特征并进行推理预
原创
2024-04-05 12:17:13
275阅读
1. 引言本文旨在友好地介绍深度学习架构，包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、transformer 和 encoder-decoder 架构。闲话少说，让我们直接开始吧。2. 卷积神经网络卷积神经网络（CNN）是一种人工神经网络，旨在处理和分析具有网格状拓扑结构的数据，如图像和视频。将 CNN 想象成一个多层过滤器，可处理图像以提取有意义的特征并进行推理预
原创
2024-04-05 12:17:13
308阅读
01 全连接网络全连接、密集和线性网络是最基本但功能强大的架构。这是机器学习的直接扩展，将神经网络与单个隐藏层结合使用。全连接层充当所有架构的最后一部分，用于获得使用下方深度网络所得分数的概率分布。如其名称所示，全连接网络将其上一层和下一层中的所有神经元相互连接。网络可能最终通过设置权重来关闭一些神经元，但在理想情况下，最初所有神经元都参与训练。02 编码器和解码器编码器和解码器可能是深度学习另一
原创
2021-03-25 21:23:30
205阅读
01 全连接网络全连接、密集和线性网络是最基本但功能强大的架构。这是机器学习的直接扩展，将神经网络与单个隐藏层结合使用。全连接层充当所有架构的最后一部分，用于获得使用下方深度网络所得分数的概率分布。如其名称所示，全连接网络将其上一层和下一层中的所有神经元相互连接。
转载
2020-07-24 11:58:49
167阅读
今天探讨它们各自适用的场景，让您知道在何种情况下选择何种模型；同时分析它们的优势与局限，助您全面评估这些模型的性能。
1.背景介绍自编码器(Autoencoders)和生成对抗网络(GANs)都是深度学习领域中的重要技术，它们在图像处理、生成式模型等方面发挥着重要作用。自编码器是一种无监督学习算法，它通过学习一个编码器和解码器来压缩和解压缩数据，从而实现数据的表示和重构。生成对抗网络是一种生成式模型，它通过学习生成器和判别器来生成和判断图像的真实性。在本文中，我们将深入探讨自编码器在生成对抗网络中的作用，并揭示它
转载
2024-08-13 15:45:40
46阅读
要说最近几年在深度学习领域最火的莫过于生成对抗网络，即 Generative Adversarial Networks(GANs)了。它是 Ian Goodfellow 在 2014 年发表的，也是这四年来出现的各种 GAN 的变种的开山鼻祖了，下图表示这四年来有关 GAN 的论文的每个月发表数量，可以看出在 2014 年提出后到 2016 年相关的论文是比较少的，但是从 2016 年，或者是 2
原创
2021-09-09 14:42:16
342阅读
1】GAN在医学图像上的生成，今如何？虚拟换衣！速览这几篇最新论文咋做的！脸部妆容迁移！速览几篇用GAN来做的论文GAN整整6年了！是时...
原创
2021-07-18 15:46:06
1520阅读
1：GAN原理 【注】Generator 生成器，Discriminator鉴别器 2：如何train？ 【注】生成器尽可能去减小Value以达到骗过鉴别器的目的。鉴别器尽可能去最大化V的值以达到最好的鉴别效果。 【注】鉴别器通过D网络将输入x得到D(x)。生成器通过G网络将输入z，得到一个分布概率 ...
转载
2021-08-18 19:27:00
425阅读
2评论
