深度学习

整理 | 夕颜 出品 | CSDN（ID:CSDNnews） 【导读】7 月 3-4 日，由 CSDN 主办的第三届 AI 开发者大会（AI ProCon 2020）在线上举行。本次大会有超万人报名参与，参与人群覆盖 50+ 领域、4000 家企业。其中有来自行业内 70+ 顶尖企业、开源社区与科研高校的近 100 位行业领袖、技术大咖与研究学者。 他们用更新鲜、更有趣、更年轻的方式，聚焦智能时代 AI 技术的发展曲线以及 AI 与社会各行业结合的最新应用进展，深入解析热门 AI 技术在行业中的实践与落地经验，揭示技术与行业发展面临的机遇与挑战。 在 7 月 3 日的主论坛上，清华大学人工智能研究院院长、中国科学院院士 张钹 带来了 《人工智能的发展现状与人才培养》 的主题演讲。 核心观点： 人工智能经历了两种发展范式：符号主义和连接主义，我们分别称之为第一代和第二代人工智能，这两种范式发展至今都遇到瓶颈，从而触及天花板。今后发展的方向是第三代人工智能，这是一条前人没有走过，需要大家去探索的道路，将对科学研究、产业化和人才培养产生重大影响。 以下内容为演讲实录，由 CSDN（ID:CSDNnews）整理： 我是清华大学人工智能研究院的张钹。大家知道，人工智能的发展历经两种发展方式，一个是符号主义，另一个是连接主义，我们把符号主义叫做第一代人工智能，把连接主义叫做第二代人工智能

汽车之家推荐系统排序算法迭代之路： https://xingqijiang.blog.csdn.net/article/details/106722140 58同城 | Embedding技术在房产推荐中的应用： https://xingqijiang.blog.csdn.net/article/details/106684161 [论文解读]微信看一看实时Look-alike推荐算法： https://xingqijiang.blog.csdn.net/article/details/103293456 Facebook推荐算法： https://blog.csdn.net/jxq0816/article/details/81635996 今日头条算法原理（全文）： https://blog.csdn.net/jxq0816/article/details/106524670 万字详解：腾讯如何自研大规模知识图谱 Topbase： https://blog.csdn.net/jxq0816/article/details/106491152 移动腾讯网 | 推荐系统 embedding 技术实践总结： https://blog.csdn.net/jxq0816/article/details/106383903 Facebook边际排名算法： https://blog.csdn

（原标题：Adobe新技术可将照片风格完全套用至另一张照片） 美国康奈尔大学与Adobe公司近日联合研发出了一种新的图像演算技术，该技术名为“Deep Photo Style Transfer”，它能够将一张照片的风格完全套用至另一张图片上，包括照片的色彩以及光线。通过深度学习程式，电脑对照片中的色彩与光线性质进行分析，理解并还原照片的天气状况、季节、时间，然后再将照片改变过来。此外，该技术并不会改变照片的结构，因而不会产生扭曲的现象，改变后的照片仍然具有较高自然度。 除了整体的“乾坤大挪移”，这种技术还能够仅针对细节部分进行改变，例如一栋大楼的窗户。据悉，目前该技术的成功转换率已达80%，预计未来即可变成Photoshop中的工具或插件。 本文来源：新摄影 来源： oschina 链接： https://my.oschina.net/u/4415254/blog/4273179

最后更新时间: 2020-07-23 23:01 Cognitect Joins Nubank - (cognitect.com) Cognitect加入Nubank 得分:253 | 评论:85 Show HN: TinyPilot – Build a KVM over IP for Under $100 Using a Raspberry Pi - (mtlynch.io) 显示HN:tinyplot–使用树莓Pi构建一个基于IP的KVM，成本低于100美元 得分:18 | 评论:4 1SecondPainting: Generate abstract paintings in one click - (1secondpainting.com) 1SecondPainting：一次点击生成抽象画 得分:283 | 评论:74 Designing scalable API on AWS spot instances - (adapty.io) 在AWS spot实例上设计可伸缩API 得分:71 | 评论:25 KDE Slimbook: Linux Laptop with Ryzen 4000 - (slimbook.es) KDE Slimbook：带有Ryzen 4000的Linux笔记本电脑 得分:364 | 评论:230 Why is CSS the way it is

2020 CVPR : Domain Adaptation for Image Dehazing [paper] : http://export.arxiv.org/pdf/2005.04668 这篇文章之所以能够在 CVPR 发表，真的是因为该文章确实切中了目前基于深度学习去雾算法的要害，即依据大气光物理模型生成的人工合成雾图像与真实拍到的雾图像是不一样的。也就是说，大家一直广泛应用的大气光物理模型只是雾图像产生的一个近似图像，而非真实图像。在人工合成数据集上训练的去雾模型，自然是不能适应于真实雾图像的高质量去雾。 本人是第一次接触 Domain Adaptation 相关的研究内容，DA 其实是解决上述问题的一个非常合适的方法。 种豆南山下 的知乎上对 DA 做了比较全面的介绍，墙裂推荐学习，相关连接： https://zhuanlan.zhihu.com/p/53359505 。 Abstract Image dehazing using learning-based methods has achieved state-of-the-art performance in recent years. However, most existing methods train a dehazing model on synthetic hazy images, which are

人工智能产业是智能产业发展的核心，是其他智能科技产品发展的基础，国内外的高科技公司以及风险投资机构纷纷布局人工智能产业链，加快实施新一代人工智能科学基础的关键技术系统集成研发，使那些研发成果尽快能够进入到开放平台，在开放使用中再一次把它增强完善。 人工智能发展趋势 据前瞻产业研究院《人工智能行业市场前瞻与投资战略规划分析报告》指出，2017年中国人工智能核心产业规模超过700亿元，随着国家规划的出台，各地人工智能相关建设将逐步启动，预计到2020年，中国人工智能核心产业规模将超过1600亿元，增长率达到26.2%。报告认为，从产业投资回报率分析，智能安防、智能驾驶等领域的快速发展都将刺激计算机视觉分析类产品的需求，使得计算机视觉领域具备投资价值;而随着中国软件集成水平和人们生活水平的提高，提供教育、医疗、娱乐等专业化服务的服务机器人和智能无人设备具备投资价值。人工智能现状。 　　 当前，人工智能受到的关注度持续提升，大量的社会资本和智力、数据资源的汇集驱动人工智能技术研究不断向前推进。从发展层次来看，人工智能技术可分为计算智能、感知智能和认知智能。当前，计算智能和感知智能的关键技术已经取得较大突破，弱人工智能应用条件基本成熟。但是，认知智能的算法尚未突破，前景仍不明朗。 今年，随着智力资源的不断汇集，人工智能核心技术的研究重点可能将从深度学习转为认知计算

深度学习中Attention与全连接层的区别何在？ - 哈哈哈的回答 - 知乎 https://www.zhihu.com/question/320174043/answer/1383690704 1.静态与动态权重的区别 全连接层中的权重，对于所有的样本，都是固定的、相同的；attention模式下的权重，对于不同的样本，则是不同的。 那么，在attention模型中，为什么要对不同的样本，施加不同的权重呢？ 举个例子，在如下左边的图片中，鹰在图片的右上角；在右图中，鹰在图片的左下角。如果我们希望神经网络既能捕捉到左图中的鹰，又能捕捉到右图中的鹰，我们就希望神经网络能够根据每个样本的特点，对每个样本的不同部位，施加不同的权重。 2.Attention不一定是加权的形式 传统的attention，例如SENet，都是采用特征加权的形式，所以与全连接层比较相似。 事实上，attention可以不是加权的形式，也可以是软阈值化的形式。 具体而言，attention可以用来生成软阈值化所需要的阈值，来进行特征的非线性变换，以应对各个样本中噪声含量不同的情况（残差收缩网络[1]）。 参考 Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht, Deep residual shrinkage networks

8-7 偏差方差平衡 用学生的姓名来预测成绩，就会偏差很大，特征不对 knn对数据很敏感，一旦离它近的数据不合理或有问题则结果就不对，高度于依赖于样本数据 knn当使用所有样本时，即就是看哪个多就是哪个，则偏差最大，方差最小 机器学习的主要挑战，来自于方差，这是从算法的角度来说。 但对问题本身而言就不一定了，因为问题可能就很复杂，我们对其理解很肤浅。 方差可能就是学习了数据样本的噪音导致的 深度学习数据规模要足够多才可能有好的效果 8-8 模型泛化与岭回归08-Model-Regularization-and-Ridge-Regression 多项式回归过拟合的情况，有一些系数会很大，模型正则化就是限制其不要太大 很显然一些参数超级大 要考虑theta也尽可能的小，不需要theta0，它是截距，决定线的高低 限制theta的大小 alpha是新超参数，表示theta占的比重，如alpha为零则没有theta，如果为无穷大，则theta尽量小才能使目标尽可能小 这种方法又称为岭回归 from sklearn.pipeline import Pipeline from sklearn.preprocessing import PolynomialFeatures from sklearn.preprocessing import StandardScaler from sklearn

AutoRec [1] 可以说是深度学习时代最古老、最简单、最容易理解的模型。该模型模拟无监督学习中用到的数据表征和压缩工具AutoEncoder, 自然地，其模型也可以写成重建函数形式： (1) 其中 和 分别为输出层和隐藏层的激活函数，参数集 , , , , . 对应 个用户和 个条目, 维隐藏层。 跟AutoEncoder类似地，其损失函数为 不过考虑到对模型参数的限制，比如加入L2正则，损失函数变化为： 其中 为Frobenius范数. 一般如原论文中一样，把AutoRec用于协同过滤(Collaborative Filtering). 对于条目协同过滤，AutoRec的模型定义(PyTorch)如下： class Autorec ( nn . Module ): def __init__ ( self , args , num_items ): super ( Autorec , self ) . __init__ () self . args = args #self.num_users = num_users self . num_items = num_items self . hidden_units = args . hidden_units self . lambda_value = args . lambda_value self . encoder =

阿里云ECS云服务器通用型g6和g5的区别以及选择建议 阿里云ECS云服务器通用型g6和通用型g5实例有什么区别?通用型g5和g6都是用于性能均衡场景，CPU内存比都是1:4，本文来说说通用型g6和通用型g5的区别以及选择方法：官方文档： 云服务器ECS共享标准型S6实例 ECS云服务器通用型g6和通用型g5有什么区别? 顾名思义，通用型g6是通用型g5的升级版，ECS云服务器通用型g6是第六代云服务器，性能全面提升的同时价格有所下调，如何选择?云E优站长博客建议选择通用型g6实例。 通用型g6云服务器是阿里云的第六代云服务器，第六代云服务器是基于第二代Intel至强可扩展处理器，睿频从上一代2.7Ghz提升到3.2Ghz，E2E计算性能有3-15%的提升;支持vnni指令集,对于深度学习的推理场景有2-4倍性能提升;虚拟化优化性能抖动，ping flood延时超过1ms的报文数<1/100万。 通用型g6和通用型g5区别对比表 综上，阿里云ECS云服务器通用型g6是通用型g5的升级版，性能有所提升，如何选择?新手站长网还是建议性价比放在第一位，虽然通用型g6是g5的升级版，但是通用型g5的性能也不差，如果通用型g5拥有更优惠的折扣，通用型g5也是可以选择的。 来源： oschina 链接： https://my.oschina.net/u/4266314/blog/4282974