Статьи по теме deep-learning

Публикации по теме 'deep-learning'

Путешествие во вселенную графического машинного обучения: мотивация, приложения, наборы данных, библиотеки ...

РЕЗЮМЕ В этом блоге мы глубоко погружаемся во вселенную графического машинного обучения, начиная с личной сути того, как я узнал об этой захватывающей области, а затем немного о мотивации графов, то есть о том, насколько важна структура данных графа, после чего мы увидим некоторые приложения. графического машинного обучения в различных областях как с точки зрения академических кругов, так и с точки зрения промышленности. Затем я также расскажу о недавнем тесте Open Graph Benchmark:..

Хороший пост.

Хороший пост. Но в CONV2, почему КОЛИЧЕСТВО ПАРАМЕТРОВ is (5 * 5 * 96 + 1) * 256=614656 Размер фильтра в CONV2 составляет 5*5*48 (данные из статьи AlexNet). Таким образом, количество параметров будет (5*5*48+1)*256. Это правильно?

Последние обновления по генерации графа сцены, часть 9 (машинное обучение)

SG-Shuffle: многоаспектный преобразователь в случайном порядке для создания графа сцены (arXiv) Автор: Ан Дык Буй , Соён Карен Хан , Джосия Пун . Аннотация: Генерация графа сцены (SGG) обеспечивает всестороннее представление изображений для человеческого понимания, а также задач визуального понимания. Из-за проблемы смещения длинных хвостов меток объектов и предикатов в доступных аннотированных данных граф сцены, созданный с использованием текущих методологий, может быть смещен в..

Как далеко мы продвинулись с оценкой плотности ядра, часть 2 (машинное обучение)

Субквадратичные алгоритмы для матриц ядра с помощью оценки плотности ядра (arXiv) Автор: Айнеш Бакши , Петр Индик , Пранит Качам , Сандип Силвал , Самсон Чжоу . Аннотация: Матрицы ядра, а также представляемые ими взвешенные графы являются повсеместными объектами в машинном обучении, статистике и других смежных областях. Основным недостатком использования методов ядра (обучения и вывода с использованием матриц ядра) является эффективность — при наличии n входных точек..

Демистификация глубокого обучения на Android

Недавно я читал на Reddit сообщение «Как разработать приложение для Android с использованием глубокого обучения». Честно говоря, пост действительно не имел для меня смысла, так как он слишком расплывчатый. Но что было интересно увидеть, так это то, что пост был в тренде, и многие люди хотели понять, как можно разработать классное приложение для Android с нейронными сетями, и это стало моей мотивацией написать этот пост. Итак, в этом посте я пошагово расскажу, как запустить нейронную..

Введение в обучение с подкреплением: процесс принятия решений по Маркову

#InsideRL Обучение с подкреплением: процесс принятия решений по Маркову (часть 1) В типичной задаче обучения с подкреплением (RL) есть учащийся и лицо, принимающее решения, называемое агентом , а окружение, с которым он взаимодействует, называется средой . В свою очередь, среда предоставляет вознаграждения и новое состояние на основе действий агента. Итак, в обучении с подкреплением мы не учим агента, как он должен что-то делать, а даем ему положительные или отрицательные..

Атака Beanstalk и некоторые тривиальные идеи для более надежного управления DeFi

Некоторые базовые идеи, которые могут улучшить модели управления в DeFi. Недавно я работал над некоторыми исследовательскими идеями об управлении DeFi, которые я надеюсь вскоре опубликовать и которые были протестированы в использовании протокола Beanstalk на этих выходных . Я не фанат написания посмертных критических замечаний о…