Публикации по теме 'deep-learning'
Быстрый путь к достижению высококачественных результатов GAN
Я возился со StyleGAN последние пару недель, и результаты были действительно странными и крутыми. Просто поразительно, насколько далеко за последние несколько лет GAN добились прогресса.
Человек, купивший этот ужасный портрет с кляксой в прошлом году за 432 тысячи долларов, возможно, бросил вызов, потому что теперь GAN могут создавать потрясающие реалистичные и красивые фотографии.
Этого человека не существует Этого человека не..
Написание среды RL в JAX
Как запустить CartPole со скоростью 1,25 миллиарда шагов в секунду
JAX — это относительно новая и захватывающая среда машинного обучения с открытым исходным кодом. Вот некоторые из замечательных особенностей:
Скомпилирован с использованием XLA, поэтому он может поддерживать процессоры, графические процессоры и TPU. С помощью функции jit он может точно в срок компилировать несколько операций и оптимизировать график вычислений. Автоматическая векторизация через vmap ...
Кажется, это требует некоторого обновления.
Кажется, это требует некоторого обновления.
Распределительный: A(B+C) = AB + AC
Более того, Вы упомянули умножение (*), но пример дан со сложением (+)
Введение в глубокое генеративное моделирование: раскрытие творчества с помощью ИИ
Рост генеративных моделей в машинном обучении
В быстро развивающейся области искусственного интеллекта (ИИ) генеративные модели стали мощными инструментами, стимулирующими творчество и инновации. Среди них выделяется глубокое генеративное моделирование, открывающее захватывающие возможности в различных областях, от генерации изображений до обработки естественного языка. Я очень рад пригласить вас в путешествие в мир глубокого генеративного моделирования.
Понимание генеративных моделей..
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью различных задач предварительного обучения.
Для точной настройки модель BERT сначала инициализируется с предварительно обученными параметрами, и все параметры настраиваются с использованием помеченных данных из последующих задач.
Отличительной чертой BERT является его унифицированная архитектура для..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова с агрегатором. В этих цепочках распределение процесса на следующий период зависит как от текущего состояния процесса, так и от действительнозначной функции текущего распределения процесса. Мы приводим условия единственности инвариантного распределения для этих цепочек, которые не опираются на..
Как извлечь встраивания нейронной сети
МАШИННОЕ ОБУЧЕНИЕ
Как извлечь встраивания нейронной сети
Повышение точности прогнозирования с помощью встраивания нейронных сетей
Введение
В нашем предыдущем блоге по разработке функций мы рассмотрели способы ручной разработки функций . В этом блоге мы рассмотрим автоматическую разработку функций, выполняемую нейронными сетями, и то, как извлекать эти вложения и использовать их вместе с функциями, созданными вручную. Обратите внимание, что мы использовали платформу TensorFlow..
Новые материалы
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..