机器学习 - 标签 - bonelee

详解Google第二代TPU 既能推理又能训练性能霸道

bonelee 2018-01-22 10:53 阅读:933 评论:0 推荐:1 编辑

Intel 的 MKL是可以用来训练的——官方的实验也提到了训练

bonelee 2018-01-22 10:47 阅读:7307 评论:0 推荐:0 编辑

现代英特尔® 架构上的 TensorFlow* 优化——正如去年参加Intel AI会议一样，Intel自己提供了对接自己AI CPU优化版本的Tensorflow，下载链接见后，同时可以基于谷歌官方的tf版本直接编译生成安装包

bonelee 2018-01-19 17:58 阅读:1386 评论:0 推荐:0 编辑

Spark新愿景：让深度学习变得更加易于使用——见https://github.com/yahoo/TensorFlowOnSpark

bonelee 2018-01-19 17:35 阅读:760 评论:2 推荐:0 编辑

深度学习利器：TensorFlow在智能终端中的应用——智能边缘计算，云端生成模型给移动端下载，然后用该模型进行预测

bonelee 2018-01-19 17:04 阅读:3330 评论:0 推荐:0 编辑

Google TPU 揭密——看TPU的架构框图，矩阵加乘、Pool等处理模块，CISC指令集，必然需要编译器

bonelee 2018-01-19 16:54 阅读:6735 评论:1 推荐:1 编辑

寒武纪芯片——有自己的SDK，支持tf、caffe、MXNet

bonelee 2018-01-19 16:44 阅读:5003 评论:0 推荐:0 编辑

Google的TensorFlow，微软CNTK, Amazon 的MxNet，Facebook 的Caffe2, PyTorch，国内百度的PaddlePaddle

bonelee 2018-01-19 11:27 阅读:1455 评论:0 推荐:0 编辑

TensorRT加速 ——NVIDIA终端AI芯片加速用，可以直接利用caffe或TensorFlow生成的模型来predict（inference）

bonelee 2018-01-18 17:36 阅读:11545 评论:2 推荐:0 编辑

深度 | AI芯片之智能边缘计算的崛起——实时语言翻译、图像识别、AI视频监控、无人车这些都需要终端具有较强的计算能力，从而AI芯片发展起来是必然，同时5G网络也是必然

bonelee 2018-01-18 16:20 阅读:3175 评论:2 推荐:0 编辑

tflearn anaconda 安装过程记录

bonelee 2018-01-18 15:00 阅读:1060 评论:0 推荐:0 编辑

Local Response Normalization作用——对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力

bonelee 2018-01-11 15:00 阅读:1352 评论:0 推荐:0 编辑

神经网络中的激活函数——加入一些非线性的激活函数，整个网络中就引入了非线性部分，sigmoid 和 tanh作为激活函数的话，一定要注意一定要对 input 进行归一话，但是 ReLU 并不需要输入归一化

bonelee 2018-01-08 14:56 阅读:4160 评论:0 推荐:0 编辑

CNN中的局部连接(Sparse Connectivity)和权值共享

bonelee 2018-01-08 12:12 阅读:23989 评论:0 推荐:2 编辑

AdaBoostClassifier实战

bonelee 2018-01-08 11:27 阅读:3399 评论:0 推荐:0 编辑

Self Organizing Maps (SOM): 一种基于神经网络的聚类算法，本质上感觉和kmeans迭代没啥区别

bonelee 2018-01-04 10:17 阅读:5864 评论:0 推荐:0 编辑

RBF网络——核心思想：把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分了

bonelee 2018-01-04 10:04 阅读:4119 评论:0 推荐:0 编辑

深入解析Dropout——基本思想：以概率P舍弃部分神经元，其它神经元以概率q=1-p被保留，舍去的神经元的输出都被设置为零

bonelee 2017-12-27 19:58 阅读:8557 评论:1 推荐:0 编辑

Softmax回归——logistic回归模型在多分类问题上的推广

bonelee 2017-12-27 19:48 阅读:9331 评论:0 推荐:2 编辑

tflearn Training Step每次 We will run it for 10 epochs (the network will see all data 10 times) with a batch size of 16. n_epoch=10, batch_size=16

bonelee 2017-12-27 10:46 阅读:762 评论:0 推荐:0 编辑

将者，智、信、仁、勇、严也。

Hi，我是李智华，华为-安全AI算法专家，欢迎来到安全攻防对抗的有趣世界。

当前标签：机器学习

公告

搜索

常用链接

我的标签

随笔档案

阅读排行榜

评论排行榜

推荐排行榜

最新评论