暂时未有相关云产品技术能力~
公众号 Deephub-IMBA
进行图像增广(数据扩充)的15种功能总结和Python代码实现
进行图像增广(数据扩充)的15种功能总结和Python代码实现
进行图像增广(数据扩充)的15种功能总结和Python代码实现
机器学习常见的损失函数以及何时使用它们
使用PyTorch实现鸟类音频检测卷积网络模型
使用PyTorch实现鸟类音频检测卷积网络模型
Beam Search、GREEDY DECODER、SAMPLING DECODER等解码器工作原理可视化
直观理解并使用Tensorflow实现Seq2Seq模型的注意机制
直观理解并使用Tensorflow实现Seq2Seq模型的注意机制
在没有技术术语的情况下介绍Adaptive、GBDT、XGboosting等提升算法的原理简介
在tensorflow2.2中使用Keras自定义模型的指标度量
Meal Kit 的时间序列数据预测实践
使用TensorBoard进行超参数优化
自注意力机制(Self-Attention)的基本知识
深度学习中的模型修剪
深度学习中的模型修剪
Focal Loss详解以及为什么能够提高处理不平衡数据分类的表现
手推公式:LSTM单元梯度的详细的数学推导
使用PyTorch从理论到实践理解变分自编码器VAE
在本文中,我们将探索知识蒸馏的概念,以及如何在PyTorch中实现它。
AUC到底代表什么呢,我们从另外一个角度解释AUC,
交叉验证应用于时间序列需要注意是要防止泄漏和获得可靠的性能估计本文将介绍蒙特卡洛交叉验证。这是一种流行的TimeSeriesSplits方法的替代方法。
降维算法:主成分分析 VS 自动编码器(三)
降维算法:主成分分析 VS 自动编码器(二)
降维算法:主成分分析 VS 自动编码器(一)
熵、交叉熵和KL散度的基本概念和交叉熵损失函数的通俗介绍
BN,LN,IN,GN都是什么?不同归一化方法的比较
如何找到时序数据中线性的趋势(一)
keras搭建基于自动编码器的异常检测技术进行欺诈识别(二)
keras搭建基于自动编码器的异常检测技术进行欺诈识别(一)
流行的机器学习算法总结,帮助你开启机器学习算法学习之旅(二)
流行的机器学习算法总结,帮助你开启机器学习算法学习之旅(一)
使用Keras 构建基于 LSTM 模型的故事生成器(二)
使用Keras 构建基于 LSTM 模型的故事生成器(一)
通过三个直观步骤理解ROC曲线
从LeNet到EfficientNet:CNN的演变和特点总结
循环生成网络 CycleGan 原理介绍(二)
循环生成网络 CycleGan 原理介绍(一)
5种常用的交叉验证技术,保证评估模型的稳定性
通俗易懂的讲解奇异值分解(SVD)和主成分分析(PCA)
为文本摘要模型添加注意力机制:采用LSTM的编解码器模型实现(二)
极限学习机 Extreme Learning Machines 介绍
使用Numpy进行深度学习中5大反向传播优化算法的性能比较(三)
使用Numpy进行深度学习中5大反向传播优化算法的性能比较(二)
使用Numpy进行深度学习中5大反向传播优化算法的性能比较(一)
推荐系统的PMF - 概率矩阵分解和协同过滤(三)
推荐系统的PMF - 概率矩阵分解和协同过滤(二)
推荐系统的PMF - 概率矩阵分解和协同过滤(一)
DNN、CNN和RNN的12种主要dropout方法的数学和视觉解释(三)
DNN、CNN和RNN的12种主要dropout方法的数学和视觉解释(二)