HelloWorld 开发者社区
科技资讯
微软 MAI Code 2 系列进入 Copilot:按工程任务选择编程模型
OpenAI 发布 GPT-6.2 Astra 与 Sol:专业交付、编程效率与团队选型
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
开源项目
全部项目推荐好文
进入深度学习之前,想清楚这些问题!
摘要:想学深度学习?心里能没点啥数吗?特别说明:这篇文章是为了解决那些对于深度学习完全陌生并且正在计划进入这个领域的人。其目的是帮助他们批判性地思考该领域的复杂性,并帮助他们区分哪些是真正困难的事情,哪些是微不足道的事情。在我撰写和发表这篇文章时,我意识到这篇文章的语气过于挑衅,而且我不是一个
关于神经网络,这里有你想要了解的一切!
摘要:想要学习神经网络?不了解这些东西怎么能行。介绍随着神经网络的发展,很多过去曾被认为是难以完成的任务现在已经可以完成了例如图像识别、语音识别,在数据集中发现更深的关系等已经变得更加容易了。所以我们应该衷心感谢这一领域的杰出研究人员,他们的发现帮助我们发挥了神经网络的真正力量。如果你真的
语义图像分割概览
摘要:本文讨论如何利用卷积神经网络进行语义图像分割的任务。语义图像分割,目标是将图像的每个像素标记为所表示的相关类别。由于我们要对图像中的每一个像素进行预测,因此,通常被称为密集预测(denseprediction)。!clipboard.png(/img/bVbblQF?w105
入门项目数字手写体识别:使用Keras完成CNN模型搭建
摘要:本文是通过Keras实现深度学习入门项目——数字手写体识别,整个流程介绍比较详细,适合初学者上手实践。对于图像分类任务而言,卷积神经网络(CNN)是目前最优的网络结构,没有之一。在面部识别、自动驾驶、物体检测等领域,CNN被广泛使用,并都取得了最优性能。对于绝大多数深度学习新手而言,数字
深度剖析卷积神经网络
摘要:深度了解卷积神经网络各个组件,顺带自建一个属于自己的神经网络。最先进的图像识别体系结构采用了许多附加组件来补充卷积操作。在这篇文章中,你将了解到一些能够提高现代卷积神经网络速度和精度的重要的组件。Pooling使CNN非常高效的第一个秘密就是Pooling。Poolin
AI 一体机,满足新时代的新需求
AI变革带来哪些IT的新要求?深度学习的突破和硬件的突飞猛进,使得人工智能“第n春”焕发蓬勃生机。这是历史上第一次,机器可以在如人脸识别等‘人类’工作上做得比我们人类更好。!clipboard.png(/img/bVba2UJ?w415&h237)人工神经网络有许多‘隐
通过神经元缺少了解深度学习
深层神经网络由许多单独的神经元组成,它们以复杂的、反直觉的方式结合起来,解决各种各样具有挑战性的任务。这种复杂性赋予了神经网络权力,但也使他们获得了令人困惑和不透明的黑盒的名声。了解神经网络的深层功能对于解释它们的决定并使我们能够构建更强大的系统至关重要。例如,想象如果不了解各个齿轮如何配合在一
用自己的数据训练Mask R-CNN目标检测/分割模型
摘要:本文讲述了如何使用MaskCNN对图像中的大量数据进行目标识别与目标分割。!clipboard.png(/img/bVbaTlA?w1024&h289)计算机非常擅长数字运算,但对分析图像中的大量数据束手无策。直到最近找到了解决方法,即创建图像处理单元库,利用数千个
手把手教你如何提高神经网络的性能
摘要:神经网络性能不够好?来学习下如何提升你的神经网络性能吧!多用例(项目)的精确度。但是,很多时候我们构建的神经网络的准确性可能不令人满意,或者可能无法让我们排在数据科学竞赛排行榜的头号位置。因此,我们一直在寻找更好的方法来改善模型的性能。并且有很多技术可以帮助我们实现这一目标,本文的目标就
实践心得:从读论文到复现到为开源贡献代码
摘要:本文讲述了从在fast.ai库中读论文,到根据论文复制实验并做出改进,并将改进后的开源代码放入fast.ai库中。!clipboard.png(/img/bVbaLJC?w1424&h493)介绍去年我发现MOOC网上有大量的Keras和TensorKo
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。


