06 2022 档案
摘要：
本文讲解了无监督学习（聚类、PCA、特征学习、密度估计）和三种常用生成模型的原理及优缺点：Pixel RNN / Pixel CNN、变分自编码器（VAE）、生成对抗网络（GAN）【对应 CS231n Lecture 13】
阅读全文
本文讲解了无监督学习（聚类、PCA、特征学习、密度估计）和三种常用生成模型的原理及优缺点：Pixel RNN / Pixel CNN、变分自编码器（VAE）、生成对抗网络（GAN）【对应 CS231n Lecture 13】
阅读全文
摘要：
本文讲解了一些理解 CNN 可视化的方法（特征、滤波器可视化），以及一些有趣的应用，如DeepDream、图像神经风格迁移（特征反演 + 纹理生成）等【对应 CS231n Lecture 12】
阅读全文
本文讲解了一些理解 CNN 可视化的方法（特征、滤波器可视化），以及一些有趣的应用，如DeepDream、图像神经风格迁移（特征反演 + 纹理生成）等【对应 CS231n Lecture 12】
阅读全文
摘要：
本文讲解了图像语义分割的定义，常见应用（自动驾驶、医学影像诊断），评估指标（mIoU、mAcc），典型语义分割算法等【对应 CS231n Lecture 11】
阅读全文
本文讲解了图像语义分割的定义，常见应用（自动驾驶、医学影像诊断），评估指标（mIoU、mAcc），典型语义分割算法等【对应 CS231n Lecture 11】
阅读全文
摘要：
本文讲解一阶段（one stage）的目标检测方法，包括 YOLO 系列算法（V1~V5）、SSD、RetinaNet的算法思想、网络结构、训练细节和性能效果等【对应 CS231n Lecture 11】
阅读全文
本文讲解一阶段（one stage）的目标检测方法，包括 YOLO 系列算法（V1~V5）、SSD、RetinaNet的算法思想、网络结构、训练细节和性能效果等【对应 CS231n Lecture 11】
阅读全文
摘要：
本文讲解两阶段（two stage）目标检测的发展史和典型算法：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN等的算法结构和核心流程【对应 CS231n Lecture 11】
阅读全文
本文讲解两阶段（two stage）目标检测的发展史和典型算法：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN等的算法结构和核心流程【对应 CS231n Lecture 11】
阅读全文
摘要：
本文讲解了循环神经网络RNN的多种形式（1对1、1对多、多对1、多对多），语言模型 ，图像标注，视觉问答，注意力模型，RNN梯度流等【对应 CS231n Lecture 10】
阅读全文
本文讲解了循环神经网络RNN的多种形式（1对1、1对多、多对1、多对多），语言模型 ，图像标注，视觉问答，注意力模型，RNN梯度流等【对应 CS231n Lecture 10】
阅读全文
摘要：
本文讲解了神经网络参数与复杂度计算，以及主流轻量级网络，包括SqueezeNet、Xception、ShuffleNet v1~v2、MobileNet v1~v3等
阅读全文
本文讲解了神经网络参数与复杂度计算，以及主流轻量级网络，包括SqueezeNet、Xception、ShuffleNet v1~v2、MobileNet v1~v3等
阅读全文
摘要：本文讲解最广泛使用的卷积神经网络，包括经典结构（AlexNet、VGG、GoogLeNet、ResNet）和一些新的结构（Network in Network、Resnet改进、FractalNet、DenseNet）等【对应 CS231n Lecture 9】
阅读全文
摘要：
本文讲解了深度学习硬件知识（CPU、GPU、TPU），主流深度学习框架（TensorFlow、PyTorch）相关知识，借助于工具可以实际搭建与训练神经网络【对应 CS231n Lecture 8】
阅读全文
本文讲解了深度学习硬件知识（CPU、GPU、TPU），主流深度学习框架（TensorFlow、PyTorch）相关知识，借助于工具可以实际搭建与训练神经网络【对应 CS231n Lecture 8】
阅读全文
摘要：
本文讲解训练神经网络的核心方法：优化方式（SGD、动量更新、Nesterov动量、Adagrad、RMSProp、Adam等），正则化（L2、Dropout），迁移学习，模型集成等【对应 CS231n Lecture 7】
阅读全文
本文讲解训练神经网络的核心方法：优化方式（SGD、动量更新、Nesterov动量、Adagrad、RMSProp、Adam等），正则化（L2、Dropout），迁移学习，模型集成等【对应 CS231n Lecture 7】
阅读全文
摘要：
本文讲解训练神经网络的核心方法：初始化（激活函数、数据预处理、权重初始化、正则化、梯度检查），训练动态（监控学习过程、参数更新、超参数优化）等【对应 CS231n Lecture 6】
阅读全文
本文讲解训练神经网络的核心方法：初始化（激活函数、数据预处理、权重初始化、正则化、梯度检查），训练动态（监控学习过程、参数更新、超参数优化）等【对应 CS231n Lecture 6】
阅读全文
