专题：深度学习
共147篇相关文章
PaddlePaddle迁移学习改num_classes参数为何总出现警告？
使用 PaddlePaddle 进行迁移学习，直接导入模型会有个警告，通过自定义网络结构，实现既加载了预训练模型，又能更好的训练自己的数据...
‘别玩手机’图像分类比赛，如何定义？
如今，手机已成为大众离不开的生活工具，而且它的迅速发展使得它的功能不再以通讯为主，手机逐渐发展为可移动的大众传播媒体终端设备，甚至可以比作为第五媒体。当今的大学生群体是智能手机使用者中的一支巨大的的队伍，零零后大学生在进入大学以来，学习生活...
PaddlePaddle如何用GAN生成MINIST手写数字图？
GAN 性能的提升从生成器 G 和判别器 D 进行左右互搏、交替完善的过程得到的。所以其 G 网络和 D 网络的能力应该设计得相近，复杂度也差不多。这个项目中的生成器，采用了两个全链接层接两组上采样和转置卷积层，将输入的噪声 Z 逐渐转化为...
Any-to-Bokeh技术能否一键实现电影感视频虚化效果？
针对视频散景制作常面临操作复杂、效果不自然等问题，难以满足创作者高效出片需求等问题，我们提出 Any-to-Bokeh 一键式视频虚化工具，对应的论文已被 ICLR2026 接收！该工具无需复杂操作无需专业操作即可生成电影感虚化效果。为短视...
如何将Pytorch模型训练过程迁移至GPU以提升处理效率？
如何使用GPU训练Pytorch模型 这两天的深度学习实验真实让人头疼，传说中的“猫狗大战”，对模型的训练用CPU的话9h起步，12h是常态，大学生哪耗得起，因此查找资料搭建了GPU环境。 确定CUDA版本 首先你需要知道自己的电脑处理器，...
图神经网络（GNN）是如何捕捉图结构数据的深层关系的？
一、概述 在人工智能领域，数据的多样性促使研究人员不断探索新的模型与算法。传统的神经网络在处理像图像、文本这类具有固定结构的数据时表现出色，但面对具有不规则拓扑结构的图数据，如社交网络、化学分子结构、知识图谱等，却显得力不从心。 图神经网络...
如何将深度学习模型在C平台部署成模型？
一、概述 深度学习模型能够在各种生产场景中发挥重要的作用，而深度学习模型往往在Python环境下完成训练，因而训练好的模型如何在生产环境下实现稳定可靠的部署，便是一个重要内容。C++开发平台广泛存在于各种...
Transformer模型的工作原理是什么？
Transformer 是一种基于自注意力机制（Self-Attention）的深度学习模型，最初由 Google 在 2017 年的论文《Attention Is All You Need》中提出，主要用于自然语言处理任务，如今已广泛应用...
BERT模型的基本原理和实现示例，能否详细介绍一下？
BERT（Bidirectional Encoder Representations from Transformers）是Google在2018年提出的预训练语言模型，其核心思想是通过双向Transformer结构捕捉上下文信息，为下游N...
GAN模型如何通过生成器和判别器协同训练，实现从分布数据中学习生成逼真样本的原理？
生成对抗网络（Generative Adversarial Network, GAN）是一种通过对抗训练生成数据的深度学习模型，由生成器（Generator）和判别器（Discriminator）两部分组成，其核心思想源于博弈论中的零和博弈...
如何用Keras实现VAE处理？
变分自编码器（variational autoencoder, VAE）是一种生成模型，训练模型分为编码器和解码器两部分。 编码器将输入样本映射为某个低维分布，这个低维分布通常是不同维度之间相互独立的多元高斯分布，因此编码器的输出为这个高斯...
激活函数在神经网络中应用广泛吗？
ReLu $max(0,z)$ 修正线性单元，是最常用的非线性映射函数。常在神经网络隐层中使用，因为它在反向传播中计算导数十分方便。导数为： $left{begin{aligned}&1,zge0\&am...
GAN和CGAN，如何构建生成模型？
GAN的定义 GAN是一个评估和学习生成模型的框架。生成模型的目标是学习到输入样本的分布，用来生成样本。GAN和传统的生成模型不同，使用两个内置模型以“对抗”的方式来使学习分布不断接近输入样本分布。两个模型一个是生成模型（Generativ...
深度学习优化算法有哪些，实验效果如何？
深度学习优化算法最耳熟能详的就是GD（Gradient Descend）梯度下降，然后又有一个所谓的SGD（Stochastic Gradient Descend）随机梯度下降，其实还是梯度下降，只不过每次更新梯度不用整个训练集而是训练集中...
批量归一化（BN）是什么原理？
现在的神经网络通常都特别深，在输出层向输入层传播导数的过程中，梯度很容易被激活函数或是权重以指数级的规模缩小或放大，从而产生“梯度消失”或“梯度爆炸”的现象，造成训练速度下降和效果不理想。 如何避免或者减轻这一现象的发生呢？归一化就是方法的...