搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏刘笑江的专栏
Deep Learning
Convolutions 2014 ImageNet top-5 error 6.7% Inception, network in network Inception GoogLeNet ResNet Deep DNN-weighted Deep Neural Networks for YouTube Recommendations 16 RecSys RNN ?
1.2K30发布于 2018-05-28
来自专栏null的专栏
Deep Crossing
概述 Deep Crossing[1]是微软在2016年提出的用于计算CTR问题的深度神经网络模型，Deep Crossing的网络结构对传统的FNN（Feedforward Neural Network 由LR模型中的特征工程，以及FM的成功经验来看，组合特征对于CTR问题有着重要作用，Deep Crossing网络围绕着特征组合，可通过网络自动进行特征组合，而无需大量的特征工程的工作。在Deep Crossing网络模型中，主要的优化点为：在Deep Crossing网络中增加Multiple Residual Units层，便于构建更深的网络。 2. 算法原理 2.1. Deep Crossing的网络结构 Deep Crossing的网络结构如下图所示：从Deep Crossing的网络结构上看，整个网络由四种类型的层组成，分别为：第一种层为特征Embedding 总结 Deep Crossing网络的两个特点是Deep和Crossing，首先，对于Deep，得益于残差网络的优点，Deep Crossing网络通过Multiple Residual Unit层构建足够深的深层网络
73430编辑于 2022-05-12
来自专栏AI科技时讯
Wide&Deep： Wide & Deep Learning for Recommender System》
Wide & Deep 模型的核心思想是结合线性模型的记忆能力和 DNN 模型的泛化能力，从而提升整体模型性能。论文作者结合两者的优点，提出了一个新的学习算法——Wide & Deep Learning，其中Wide & Deep分别对应Memorization & Generalization。对于Wide来说，它现在的任务是弥补Deep的缺陷，其他大部分的活就交给Deep了，所以这时的Wide相比单独Wide也显得非常“轻量级”，这也是Join相对于Ensemble的优势。结合 Wide 与 Deep 的优势，提出了联合训练的 Wide & Deep Learning。相比单独的 Wide / Deep模型，实验显示了Wide & Deep的有效性，并成功将之成功应用于Google Play的app推荐业务。
1.5K30发布于 2020-09-29
来自专栏浊酒清味
解密Deep Q-learning中Deep的秘密
出人意料的是，加入所谓的deep后，算法竟有了突破性进展，取得了非凡的成绩。今天我们就要去挖掘这里的Deep所代表的秘密以及其算法成功的原因。 ? 什么是Deep ? 简单而言，Deep的意思的深度，取自于深度学习(Deep Learning)。说到深度学习，我们不得不介绍神经网络。早在上世纪八九十年代，神经网络早已经被发明并投入使用。人们把层数很多的神经网络叫做深度神经网络，并将相关应用叫做深度学习(deep learning)。足以见得，人们对于深度的喜爱程度。也是因为这个原因，加入神经网络的Q-learning算法，才被叫做Deep Q-learning。 ? 为什么要Deep ? 因此打乱学习经历的相关性，有助于我们提高Deep Q-learning的学习效率，使得这个基于神经网络的方法更上一层楼。
1.1K10发布于 2019-07-30
来自专栏Android群英传
Draw Text in Deep
Android系统提供了Textview来提供文字的显示，但很多时候开发者还需要使用Canvas来绘制Text，这时候，canvas.drawText()就不像Textview的使用这么简单了，需要掌握文字的测量以及渲染的流程。
1.8K30发布于 2019-12-19
来自专栏老秦求学
Deep Learning综述
Deep-Learning-Papers-Reading-Roadmap: [1] LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning." (2015) (Three Giants' Survey) Review 机器学习在当下有很多应用：从网络搜索的内容过滤到电商的商品推荐，以及在手持设备相机和智能手机上的应用
78870发布于 2018-06-14
来自专栏点云PCL
deep learning paper
high-light papers are selected just for reference, most of them are associated with machine learning（deep (CVPR 2017) (5) Pointclouds (Classification&Segmentation&Matching) PointNet: Deep Learning on Point Sets (CVPR 2017 ) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space – Qi et al
84710发布于 2019-07-30
来自专栏全栈程序员必看
Deep Boltzmann Machines
win_in_action/article/details/25333671 http://blog.csdn.net/zouxy09/article/details/8775518 深度神经网络（Deep Deep learning本身算是machine learning的一个分支，简单可以理解为neural network的发展。 Deep learning与传统的神经网络之间有相同的地方也有很多不同。二者的相同在于deep learning采用了神经网络相似的分层结构，系统由包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个下面我们来看看为什么它是Deep Learning方法。
52120编辑于 2022-09-14
来自专栏CreateAMind
Deep feature vae
此次介绍一下基于vae的一个经典改进DFC-VAE，所谓的dfc就是deep feature consistent，原文是这样说的“Instead of using pixel-by-pixel loss , we enforce deep feature consistency between the input and the output of a VAE, which ensures the VAE ,然而ＭＳＥ　ＬＯＳＳ并不能捕捉到图片中的空间关系与知觉信息，原文是这样说的：” Such measurements are easily implemented and efficient for deep
1.1K20发布于 2019-10-14
来自专栏ADAS性能优化
Deep in qualcomm 888
Snapdragon 888对高通来说是一个巨大的飞跃，以至于他们已经偏离了这一代的常规命名方案，甚至完全跳过了87x系列。888很中国，而且还用于营销目的。
92110编辑于 2022-05-13
来自专栏CVer
从Deep Image Prior到NAS Deep Image Prior
Deep Image Prior 论文：https://arxiv.org/abs/1711.10925 https://github.com/DmitryUlyanov/deep-image-prior Deep Image Prior 的重要特点是，网络由始至终仅使用了输入的，被破坏过的图像做为训练，没有经历过大多数神经网络所需要的学习过程即可完成任务。 Deep Image Prior 表示，在损坏的「非正常」图像上训练同样能学习到图像的「先验」，注意这种「训练」仅表示模型在单张损坏图像上反复迭代。但是在Deep Image Prior工作中：作者发现在一个大致的范围内，超参数和结构的实验表现都差不多，为什么还要再用NAS这里比较牵强，但也说得通。具体的工作流程如下图所示：先使用NAS搜索出最优的网络架构(蓝色框)，再对搜索出的架构重复Deep Image Prior的所有步骤(绿色框)。 ?
2K30发布于 2020-09-23
来自专栏RivenCabin
deep和>>>以及 ::v-deep 三者的区别
>>> 深度作用选择器的简写形式只作用于css，不支持css预加载器（less/scss）是/deep/的简写形式,适用于Vue2.x版本，Vue3.x版本使用会报错 /deep/ Vue2.x的深度作用选择器正式写法仅适用于Vue2.x版本支持css预加载器 ::v-deep Vue3.x的深度作用选择器正式写法总结 Vue2.x版本使用优先级 /deep/ > >>> Vue3版本使用::v-deep
2K30编辑于 2022-08-16
来自专栏深度强化学习实验室
Deep Reinforcement Learning: An Overview
《Deep Reinforcement Learning: An Overview》该综述从强化学习，重要元素，核心机理和应用几个角度进行展开，也包含了一些学习资料，对学习RL的人来说无疑是一块甜蛋糕
76810发布于 2019-11-21
来自专栏前端皮小蛋
Deep into React Hooks
在React 16.7 的版本中，Hooks 诞生了，截止到目前，也有五六个月了，想必大家也也慢慢熟悉了这个新名词。
87420发布于 2020-03-02
来自专栏老秦求学
Deep Learning综述
Image understanding with deep convolutional networks 直到2012年ImageNet大赛之前，卷积神经网络一直被主流机器视觉和机器学习社区所遗弃。 The future of deep learning 无监督学习对于重新点燃深度学习的热潮起到了促进的作用。有监督学习比无监督学习更加成功。
57440发布于 2018-06-14
来自专栏算法学习日常
Inhabitant of the Deep Sea
目录题目：Inhabitant of the Deep Sea 题目描述：输入：输出样例：输入：输出：思路： AC代码：题目：Inhabitant of the Deep Sea 题目描述
25710编辑于 2024-04-25
来自专栏深度学习框架
Building deep retrieval models
With more parameters, deep models might overfit or even simply memorize the training examples instead In this tutorial, we will illustrate how to build deep retrieval models using TensorFlow Recommenders | +------------------------------+ Since the expressive power of deep https://codechina.csdn.net/csdn_codechina/enterprise_technology/-/blob/master/NLP_recommend/Building%20deep
59200发布于 2021-07-30
来自专栏从流域到海域
CNNs and Deep Q Learning
blog.csdn.net/Solo95/article/details/102987237 前面的一篇博文介绍了函数价值近似，是以简单的线性函数来做的，这篇博文介绍使用深度神经网络来做函数近似，也就是Deep 这篇博文前半部分介绍DNN、CNN，熟悉这些的读者可以跳过，直接看后半部分的Deep Q Learning Part。 Generalization 为什么要使用网络来做近似。 Deep Neural Networks(DNN) DNNs本质上是多个函数的组合。 ? Deep Q Learning Generalization ? Deep Reinforcement Learning 使用深度神经网络来表示价值函数策略模型使用随机梯度下降(SGD)优化loss函数 Deep Q-Networks(DQNs) 使用带权重集
59900发布于 2019-11-12
来自专栏机器学习实践二三事
WHEN NOT TO USE DEEP LEARNING
转载自: http://hyperparameter.space/blog/when-not-to-use-deep-learning/ ---- I know it’s a weird way to Deep learning can really work on small sample sizes Deep learning’s claim to fame was in a context with Deep learning is more than .fit() There is also an aspect of deep learning models that I see gets sort When not to use deep learning So, when does deep learning not fit to the task? The future is deep The deep learning field is hot, well-funded, and moves crazy fast.
77820发布于 2019-05-26
来自专栏周拱壹卒
《Understanding Deep Learning》书摘
Deep neural networks contribute to each of these areas. Chapter 4 Deep neural networks 4.2 From composing networks to deep networks 4.3 Figure 4.3 Deep networks applies its function to the folded space. c) The final output is revealed by “unfolding” again. 4.3 Deep Chapter 20 Why does deep learning work? Chapter 21 Deep learning and ethics 21.3 Other social, ethical, and professional issues 21.3.3 Environmental
36600编辑于 2025-01-19

第 2 页第 3 页第 4 页第 5 页第 6 页第 7 页第 8 页第 9 页第 10 页第 11 页

点击加载更多

Deep Learning

Deep Crossing

Wide&Deep： Wide & Deep Learning for Recommender System》

解密Deep Q-learning中Deep的秘密

Draw Text in Deep

Deep Learning综述

deep learning paper

Deep Boltzmann Machines

Deep feature vae

Deep in qualcomm 888

从Deep Image Prior到NAS Deep Image Prior

deep和>>>以及 ::v-deep 三者的区别

Deep Reinforcement Learning: An Overview

Deep into React Hooks

Deep Learning综述

Inhabitant of the Deep Sea

Building deep retrieval models

CNNs and Deep Q Learning

WHEN NOT TO USE DEEP LEARNING

《Understanding Deep Learning》书摘

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐