Inception

博客： 博客园 | CSDN | blog 目录 写在前面 Inception-V1 (GoogLeNet) BN-Inception Inception-V2, V3 Inception-V4，Inception-ResNet-v1，Inception-ResNet-v2 参考 写在前面 Inception 家族成员：Inception-V1（GoogLeNet）、BN-Inception、Inception-V2、Inception-V3、Inception-ResNet-V1、Inception-V4、Inception-ResNet-V2。 Inception系列网络结构可以模块化为： \[Input \rightarrow Stem \rightarrow A \rightarrow ReducitonA \rightarrow B \rightarrow ReductionB \rightarrow C \rightarrow Avg\ Pooling (+ Linear) \rightarrow feature \] Stem ：前处理部分 A B C ： 网络主体 “三段式”，A B C每段的输入feature size依次折半，channel增加 ReductionA B ：完成feature size折半操作（降采样） Avg Pooling (+ Linear

3 月，跳不动了？>>> 我们试想一个实际问题，春天到了，我们要买衣服了，同时，作为服装厂商，也要开始发布新的衣服了，如果你作为一个服装厂商的技术顾问，请你分析出什么样的衣服属于今年的流行趋势，你会怎么做？ 首先，作为技术宅男的你，我不认为你会对流行元素有那么多的关注，不会去看什么巴黎时装周，你能做的就是根据各种各样的数据进行分析预测。你可能会在店铺中进行一些扫码填写调查表发放一些优惠券，还可能去各大时尚网站去扒一些评论分析文章，还可能去微博这种公开的社交平台扒一些时尚博主的自拍分享等，你可以想尽办法获取各种各样的数据，你要做的是用好这些数据分析出流行趋势。 对于这种分析预测深度学习无疑是适合的模型工具，问题是既有这种调查表得来的数据，适合普通的层堆叠进行训练的模型，还有这种评论分析文章这种文本数据，适合循环神经网络的文章，还有各种图片需要分析，适合卷积神经网络的模型，这可怎么办？根据我们现有的知识，我们可以考虑分别训练不同的网络模型，对他们进行加权分析，这固然是一种方法，但是这个权也太随机了，各个数据之间也都割裂开了，分别处理算不上好的方法。那怎么办？ 将他们联合起来，进行联合学习，大致的样子就是这样： 当然，联合模型不只能同时接收多种输入，还可以同时给出输出，比如流行的元素和价格，多个输入多个输出，这就不单纯是一个前面我们提到的各种线性的网络，更像是一个图的感觉，对

【飞桨开发者说】韩爱庆 北京中医药大学管理学院 副教授 中药是中医临床治疗的主要载体、也是中医药文化最核心的载体，蕴含着大量的科技资源、文化资源、产业资源。据相关报道，我国是全球最大的中药材市场。数据显示，2019年预计我国中成药及饮片市场规模达到6800亿元，未来5年将达到2万亿元，可见中药材庞大的市场价值。由于中药材的真伪、优劣与临床用药的安全有效有直接关联，因此对中药材进行客观、科学的鉴定识别，有利于规范中药材市场，加强质量监控，促进中药材产业的发展。 很多学者对应用客观指标来进行中药材的鉴定识别进行了广泛的研究，相关研究所采用的方法包括近红外光谱、指纹图谱、电子鼻以及化学模式识别，或者采用多方法相结合来开展研究。这些方法的共同特征是需要基于专家经验或先验知识来人工设计或提取特征，前期的特征提取工作量特别大，得到的模型在训练集上准确率虽然高，但在测试集上普遍存在泛化能力差的情况；另外使用这些方法来进行中药识别需要专用设备，便利性较差，应用门槛高，不利于推广应用。因此，开发一款能够自动提取特征，并能够使用通用终端设备进行识别，准确率高，泛化性能好的中药识别系统是行业的迫切需求。 近年来，以深度学习为代表的人工智能技术飞速发展。与以往不同的是，这次人工智能不仅在学术界备受关注，在工业界也备受推崇。以“深度学习”为关键词搜索国家自然科学金委近年资助项目，发现基金委资助和立项的

使用 TensorFlow 构建机器学习项目中文版 第 1 章 探索和转换数据 TensorFlow 的主要数据结构 -- 张量 处理计算工作流程 -- TensorFlow 的数据流程图 运行我们的程序 -- 会话 基本张量方法 总结 第 2 章 聚类 从数据中学习 -- 无监督学习 聚类 k 均值 k 最近邻 项目 1 -- 在合成数据集上进行 k 均值聚类 项目 2 -- 综合数据集上的最近邻 总结 第 3 章 线性回归 单变量线性建模函数 成本函数的确定 最小化成本函数 示例部分 示例 1 -- 单变量线性回归 示例 2 -- 多元线性回归 总结 第 4 章 逻辑回归 问题描述 sigmoid 函数的前身 -- Logit 函数 sigmoid 函数 示例 1 -- 单变量 logistic 回归 示例 2 -- 使用 skflow 的单变量 logistic 回归 总结 第 5 章 简单的前馈神经网络 初步概念 第一个项目 -- 非线性合成函数回归 第二个项目 -- 使用非线性回归建模汽车的燃油效率 第三个项目 -- 学习葡萄酒分类：多类分类 总结 第 6 章 卷积神经网络 卷积神经网络的起源 示例 1 -- MNIST 数字分类 示例 2 -- 使用 CIFAR10 数据集进行图像分类 总结 第 7 章 循环神经网络和 LSTM 循环神经网络 示例 1 --

TensorFlow 深度学习中文第二版 第 1 章深度学习入门 人工神经网络 ANN 如何学习？ 神经网络架构 深度学习框架 总结 第 2 章 TensorFlow 的首次观察 TensorFlow v1.6 的新功能是什么？ 安装和配置 TensorFlow TensorFlow 计算图 TensorFlow 代码结构 TensorFlow 中的数据模型 通过 TensorBoard 可视化计算 线性回归及更多 总结 第 3 章使用 TensorFlow 的前馈神经网络 实现前馈神经网络 实现多层感知器（MLP） 调整超参数和高级 FFNN 总结 第 4 章卷积神经网络 CNN 实战 LeNet5 逐步实现 LeNet-5 数据集准备 微调实现 Inception-v3 使用 CNN 进行情感识别 总结 第 5 章优化 TensorFlow 自编码器 使用 TensorFlow 实现自编码器 提高自编码器的鲁棒性 使用自编码器进行欺诈分析 总结 第 6 章循环神经网络 RNN 和梯度消失 - 爆炸问题 实现 RNN 进行垃圾邮件预测 开发时间序列数据的预测模型 用于情感分析的 LSTM 预测模型 使用 LSTM 模型识别人类活动 总结 第 7 章异构和分布式计算 TensorFlow GPU 设置 分布式计算 分布式 TensorFlow 设置 总结 第 8 章高级