HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

使用分布外数据去除不需要的特征贡献,提高模型的稳健性

深度神经网络(DNN)已经发展到现在已经可以在计算机视觉和自然语言处理等许多任务上表现非常出色。而现在主要的研究是如何训练这些DNN以提高其准确性。准确性的主要问题是神经网络极易受到对抗性扰动的影响。例如下面的图片,添加噪声之前和之后的两张图像对我们来说似乎相同。但对于神经网络来说,右边

计算机视觉的半监督模型:Noisy student, π-Model和Temporal Ensembling

今天我将讨论一些在过去十年中出现的主要的半监督学习模型。首先让我们谈谈什么是半监督学习以及我们为什么对它感兴趣!假设我们有一个大的标记图像数据集。我们想使用这些数据来构建一个模型,进行图像分类的任务,解决这个问题的标准方法是构建卷积神经网络(CNN)。CNN已被证明在使用大型数据集进行训练时

算力时代,GPU开拓新场景

一、人工智能经历过三个阶段,迎来爆发式增长广义上讲只要能够运行人工智能算法的芯片都叫作AI芯片。但是通常意义上的AI芯片指的是针对人工智能算法做了特殊加速设计的芯片。AI芯片也被称为AI加速器或计算卡,即专门用于处理人工智能应用中的大量计算任务的模块(其他非计算任务仍由CPU负责)。第一

用于时间序列异常检测的学生化残差( studentized residual)的理论和代码实现

异常检测是指数据科学中可帮助发现数据集中的异常值有用的技术。异常检测在处理时间序列数据时特别有用。例如时间序列数据来自传感器测量结果(例如压力和温度),由于设备故障和瞬态现象等问题包含许多异常点,异常检测有助于消除这些点异常值,以优化时间序列数据中的信号。对于销量预测等需求异常点也可以表示为活动或

GPU的工作原理:显卡和CPU的关系像“主仆”

在GPU出现以前,显卡和CPU的关系有点像“主仆”,简单地说这时的显卡就是画笔,根据各种有CPU发出的指令和数据进行着色,材质的填充、渲染、输出等。较早的娱乐用的3D显卡又称“3D加速卡”,由于大部分坐标处理的工作及光影特效需要由CPU亲自处理,占用了CPU太多的运算时间,从而造成整体画面不能非

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。