神经网络

很多正在入门或刚入门TensorFlow机器学习的同学希望能够通过自己指定图片源对模型进行训练，然后识别和分类自己指定的图片。但是，在TensorFlow官方入门教程中，并无明确给出如何把自定义数据输入训练模型的方法。现在，我们就参考官方入门课程《Deep MNIST for Experts》一节的内容(传送门： https://www.tensorflow.org/get_started/mnist/pros )，介绍如何将自定义图片输入到TensorFlow的训练模型。 在《Deep MNISTfor Experts》一节的代码中，程序将TensorFlow自带的mnist图片数据集mnist.train.images作为训练输入，将mnist.test.images作为验证输入。当学习了该节内容后，我们会惊叹卷积神经网络的超高识别率，但对于刚开始学习TensorFlow的同学，内心可能会产生一个问号：如何将mnist数据集替换为自己指定的图片源？譬如，我要将图片源改为自己C盘里面的图片，应该怎么调整代码？ 我们先看下该节课程中涉及到mnist图片调用的代码： from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets( ' MNIST_data ' ,

持续了将近两个月的 2019 春季实习生招聘总算是告了一个段落，虽说去年入学时便已知道找工作就在眼前，但当它真正到来的时候，自己依然是措手不及。好在历经坎坷，结果总归是好的，希望接下来的实习收获满满。 1. 前言 春节假期还没有结束，一些公司的实习生招聘已然开始。等我来到学校，完善简历，大致过了一遍相关基础知识，这才开始投递简历。此时时间已来到了 3 月初，接下来，在等待笔试面试的过程中，我着重复习了以下几个方面的知识。 项目介绍 ，对照着简历进行重点复习，以及整理现在正在做的课题 超光谱图像去噪基准 深度学习，吴恩达系列课程笔记 机器学习，西瓜书，也就看了看决策树、SVM、PCA，主要是实际中没用过机器学习的方法，基本没有深入研究过 数据结构和算法， 极客时间课程笔记 代码能力， LeetCode 刷题回顾 以及《剑指 Offer》 编程语言，C++/Python，简单回顾了一些重要概念 线性代数， 麻省理工公开课笔记 概率论，麻省理工公开课笔记 2. 招聘进程 其中一些是我自己的面试经历，这部分会稍微详细总结，还有一些是一起面试的其他同学的情况，略写。 2.1. 腾讯 官网投递 3 月 10 日晚提前批笔试，两个小时，官方说法是自愿参加仅做参考 笔试五道题 340/500 3 月 21 日北京广告部面试一小时 1.求数组中和为给定值的所有数字对，如果数组排好序，用 O(n)

来源：神经现实 本文经授权摘自《大脑之美》序言 作者：蒲慕明 现代神经科学起源于十九世纪末期； 圣地亚哥·拉蒙-卡哈尔 （Santiago Ramón y） 的神经解剖学研究和他提出的神经元理论是主要的起点 。一百多年来，神经科学界一直公认卡哈尔是有史以来最伟大的神经解剖学家。他的伟大之处 不仅是他遗留给神经科学大量至今仍有参考价值的神经解剖学资料，还有他对神经系统结构和功能的开创性概念 。他绘制的神经网络图谱，在今天仍经常被神经科学教科书引用。《大脑之美》一书精选了一些他所绘制的大脑神经网络图谱，给广大的读者展示了大脑复杂而神秘诱人的世界。严青博士在专研神经科学之余，为中文读者翻译了这本书，是件可喜可贺的事。 科学家探索自然界的奥秘，经常是从观察自然现象入手。要从初看似乎杂乱无章的现象中抽取出内在的规律，可不是件易事，也是专研科学过程中最需要学的本事。 卡哈尔是如何能从无数大脑的切片中去芜存菁，描绘出神经系统结构的精髓？他是怎样学会这种能力？ 在《致青年学者》（《Advice for a Young Investigator》）一书中，他不断强调 独立性、坚持、和专注的重要性，认为智力并不是关键 ，中等资质的科学家也可以做出重要的科学工作，这是否也反映了他自己呢？ 卡哈尔出生在西班牙东北部一个乡村医生的家庭。从小喜欢绘画和摄影，但在父亲的坚持下进了医学院。1877年

机器之心报道 参与：蛋酱、泽南 转载自公众号：机器之心 美国 CS 专业超过 64% 博士生和近 70% 的硕士生是留学生，数学博士学位有一半授予了非美国公民，中国和印度学生占大部分。 上个星期，一位华人留学生题为「亚洲人数学能力其实很差？」的视频登上了热搜。 「知其然而不知所以然，他们仅仅擅长使用而不追求真理。」这名女生认为大多数亚洲人学习数学时注重运用却不关心原理推导，论据有一定的道理，不过结论引发了不少人的吐槽。 很快，博主「他们都叫我雪姨」新发布了一个视频向大家道歉，表示个人经历不能指代群体，有关亚洲人数学很差的言论十分不正确。在应试教育为主，升学压力很大的国内，如果说学生们花费如此大的精力却不能把一门学科学明白，确实非常可怕，数学是当代高等教育最重要的基础是有目共睹的。 7 月份，2020 阿里巴巴全球数学竞赛结束 ，活动创办者马云如此评价数学的重要性。 有趣的是，在数学水平太差这件事上，大洋彼岸的美国人和我们有着同样的担忧。在亚洲人数学很差的视频在国内流行的同时，美国《国家利益杂志》刊载了一篇文章给出了完全相反的观点：因为中国人数学好，在人工智能领域里中国正在逐渐成为决定性力量。 这篇报道在开篇即提到：「忘记人工智能本身吧，它只是一个数学问题。美国没有培养出足够擅长数学的公民，因此无法保持统治地位。」 以下为美国《国家利益杂志》报道的主要内容：

喜欢我们，点击上方 AINLPer ，关注一下，极品干货即刻送达！ 引言 在深度学习网络中，我们经常可以看到对于某一个隐藏层节点的激活值计算一般分为两步，如下图： 第一步，输入该节点的值为 , 时，在进入这个隐藏节点后，会先进行一个线性变换，计算出值 ，上标 1 表示第 1 层隐藏层。 第二步，再进行一个非线性变换，也就是经过非线性激活函数，计算出该节点的输出值(激活值) ，其中 g(z)为非线性函数。 那么问题来了，这个激活函数到底有什么用呢，可不可以不加激活函数呢？ 本文概要 1 什么是激活函数？ 2 如果没有激活函数会怎样？ 3 常见的激活函数 4 参考文献 正文开始 1 什么是激活函数？ 激活函数是神经网络中极其重要的概念。 它们决定了某个神经元是否被激活，这个神经元接受到的信息是否是有用的，是否该留下或者是该抛弃。 激活函数的形式如下： 激活函数是我们对输入做的一种非线性的转换。 转换的结果输出，并当作下一个隐藏层的输入。 2 如果没有激活函数会怎样？ 1、首先对于y=ax+b 这样的函数，当x的输入很大时，y的输出也是无限大/小的，经过多层网络叠加后，值更加膨胀的没边了，这显然不符合我们的预期，很多情况下我们希望的输出是一个概率。 2、线性变换太简单（只是加权偏移），限制了对复杂任务的处理能力。 没有激活函数的神经网络就是一个线性回归模型。

向AI转型的程序员都关注了这个号 👇👇👇 人工智能大数据与深度学习 公众号：datayx 下面试基本会问的内容，目前个人所碰到的，占比可能有所不同，有些面试官喜欢问项目，有些喜欢问基础。 介绍项目、实习，一般会问很久，在你介绍中会问各种开放性问题；通常我的面试中这个占很大篇幅，60%-90%； 问算法相关，包括ML\DL\图像处理等的基础知识，占40%-60%，其中大概ML40%，DL10%，图像处理10%； 问数学基础，大部分是概率论，占5%； 问语言，C++，STL容器之类的，占10%；python也会问一点； 编程题，一般2、3题； Linux命令，一般问几个，不经常问到； 1、HR面 自我介绍 你和竞争者相比的优势是什么 实习收获了什么 从实习导师身上学到了什么 导师给你的意见是什么 从面试官身上学到了什么 .秋招意向的企业有哪些 你为什么想来我们公司? 你来了之后的三年怎么打算的? 讲一讲实习公司的产品架构,比如一个新的需求产生到落地的流程是怎样? 优缺点 介绍项目，难点，从中学到什么，重新做如何改进 期望薪资 自己主动学习过哪些知识，通过什么方式学的 后面打算学习什么知识，为什么 英语怎么样 兴趣 竞赛、考研保研 团队合作遇到的分歧 有没有投过其他公司,有拿到offer吗? 项目中怎么分工的，有遇到过水平低的吗，是怎么沟通的 对你帮助很大的一个人 学习的路径，怎么学习

点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 这篇文章是激光雷达点云数据分割算法的嵌入式平台上的部署实现。主要的创新点有两点：一是利用多路分支采用不同分辨率输入后再用不同的卷积块进行处理，达到性能和计算量之间的平衡；二是对基于投影的点云分割方法进行了改进。在嵌入式平台上性能不错，代码将在文章被收录后开源，值得关注。 论文地址 ：http://xxx.itp.ac.cn/pdf/2008.09162v1 LiDAR数据的实时语义分割对于自动驾驶车辆至关重要，然而自动驾驶车辆通常配备嵌入式平台并且计算资源有限，这使得点云分割算法的部署具有挑战性。通常的点云分割算法直接在点云上使用复杂的空间聚合操作，这些操作非常昂贵且难以针对嵌入式平台进行优化。因此，它们不适用于带有嵌入式系统的实时场景下应用。作为替代， 基于投影的方法更有效并且可以在嵌入式平台上运行。但是，当前基于投影的最新方法无法实现与基于点的方法相同的精度，并且需要使用数百万个参数。 因此，在本文中， 提出了一种基于投影的方法，称为Multi-scale Interaction Network（MINet） ，该方法有效且准确，具体而言网络使用具有不同尺度的多个通路，并且在不同尺度之间对计算资源进行平衡，同时不同尺度之间的额外密集交互可避免冗余计算，并使网络高效。所提出的网络在准确性

他是“图灵奖”创立以来首位获奖的亚裔学者，也是迄今为止获此殊荣的唯一华裔计算机科学家。2004年从普林斯顿辞去终身教职回到清华任教。2005年，他为清华本科生创立了计算机科学实验班“姚班”。如今，在中国乃至全球计算机的科学领域都已经独树一帜。他就是姚期智。 2019年姚期智没有止步，选择了重新再出发。他为清华的本科生创立了人工智能学堂班。2004到2019年已经15年过去了，15年来姚期智经历了怎样的心路历程？从“姚班”到“智班”，中国顶尖计算机培养的布局是如何展开？今天下午4点，清华大学交叉信息研究院院长、人工智能学堂班首席教授姚期智作客人民日报“大咖有话”直播节目，现场解答人工智能的中国答案！ 点击文末“阅读原文”，可以回看直播 “ 主持人：我的脑海中有关您的画面，其实是比较统一的风格，都是您跟学生在一起，您站在硕大的黑板前面，您的笑脸、学生们的笑脸、大家开心的样子。您和学生在一起的时候是非常享受的，不知道我的猜测对不对？ 姚期智：您说的一点没错，这是非常自然的事情。因为我一直在学术界工作，作为一个科学家，最重要的是能够保持年轻人的心境，能够像年轻的时候那样的好奇、对知识渴望。和学生在一起是每一个科学家的梦想，因为我们希望自己还有所有的科学家都能够向这些年轻的学生一样，永远有无止境的好奇心。 ” “ 主持人：我也采访过您的一些学生，学生们说起您的时候总是特别地感恩

mmdetection 详细解读： https://blog.csdn.net/syysyf99/article/details/96574325 简介 faster_rcnn_r50_fpn_1x.py配置文件 cascade_rcnn_r50_fpn_1x.py配置文件 一、简介 在使用mmdetection对模型进行调优的过程中总会遇到很多参数的问题，不知道参数在代码中是什么作用，会对训练产生怎样的影响，这里我以faster_rcnn_r50_fpn_1x.py和cascade_rcnn_r50_fpn_1x.py为例，简单介绍一下mmdetection中的各项参数含义 二、faster_rcnn_r50_fpn_1x.py配置文件 首先介绍一下这个配置文件所描述的框架，它是基于resnet50的backbone，有着5个fpn特征层的faster-RCNN目标检测网络，训练迭代次数为标准的12次epoch，下面逐条解释其含义 # model settings model = dict( type='FasterRCNN', # model类型 pretrained='modelzoo://resnet50', # 预训练模型：imagenet-resnet50 backbone=dict( type='ResNet', # backbone类型 depth=50, #

Diffusion-Convolutional Neural Networks （传播-卷积神经网络） 2018-04-09 21:59:02 1. Abstract : 　　我们提出传播-卷积神经网络（DCNNs），一种处理 graph-structured data 的新模型。随着 DCNNs 的介绍，我们展示如何从 graph structured data 中学习基于传播的表示（diffusion-based representations），然后作为节点分类的有效基础。DCNNs 拥有多个有趣的性质，包括： 　　1). a latent representation for graphical data that is invariant under isomorphism; 　　2). polynomial-time prediction; 　　3). learning that can be represented as tensor operations; 　　4). efficiently implemented on a GPU. 2. Introduction : 　　处理结构化的数据是非常有挑战的。一方面，找到合适的方法来展示和探索数据的结构可以获得预测精度的提升；另一方面，找到这样的结构可能很困难，在模型中添加结构会使得预测复杂度显著的提升。