Women Who Code帶你探秘深度卷積神經網絡(DCNN)

2021-02-08 WWCodeBJ

    2016年是人工智慧技術大爆發的一年，那邊AlphaGo打敗人類頂尖棋手的餘威未消，這邊的自動駕駛技術又宣布未來已來，AI科技究竟會怎樣改變我們的明天？WWC將帶領你走進Deep Learning的世界，揭開深度卷積神經網絡（DCNN）的神秘面紗。

    深度機器學習作為AI領域的一個重要分支，已經成為了AI的代名詞。DCNN是深度學習的關鍵技術，它通過模擬人腦進行分析學習，算法訓練時不用人工幹預。這十年中，網際網路巨頭和全球各個科研機構都投入了巨大的人力物力用於理論和工業級探索，AlphaGo圍棋之戰更是引燃了全球的熱情。

    AI的迅速發展還得益於眾多開源框架的貢獻，TensorFlow作為其中的佼佼者功不可沒。作為一個初學者，如果想零基礎理解DCNN的工作原理，想親密接觸Tensorflow框架上的AI應用，想知道更多AlphaGo打敗李世石的內幕，請參加WWC在四月舉辦的「帶你探秘深度卷積神經網絡（DCNN）」的技術講座吧！

    主講人王宇生博士目前就職於VMware，任資深主管技術專家，讓我們在大咖的帶領下領略AI世界的風光。

時間：2017年4月24（周一）18：30– 20：30（提供晚餐！）

地點：融科資訊中心B座12層Pivotal公司

主講人：王宇生博士

具體日程：

Session 1: 深度卷積神經網絡及相關AI技術介紹

Session 2: DCNN實例解析- AlphaGo

Session 3: 基於Tensorflow的AI程序解析和演示

感謝Pivotal公司的熱情支持！

點擊下方「閱讀原文」，立即報名吧（報名後會有郵件確認）！

如何關注和加入我們

Women Who Code Beijing微信號

相關焦點

  • 深度 | 輕量級深度卷積神經網絡在農業機器人中的應用
    因為機器人平臺的資源是有限的，所以很難部署深度卷積神經網絡，並且用有限的數據去訓練深度神經網絡也是很困難的。使用最先進的網絡所需要的計算能力是那些常見機器人負擔不起的。這篇文章在複雜度和準確度之間做了一個折中，並通過以下步驟解決了這個問題。首先，開發者把一個預先訓練好的模型 Inception-v3[3] 適應在這個任務中。然後，他們使用模型壓縮和「蒸餾」技術實現了指數級減少的參數。
  • 基於深度卷積神經網絡的巖性識別
    紋理特徵提取方法而深度卷積神經網絡方法的，有一個比較典型的示例，日本大林組在2018年開始做的開挖面圖像AI識別系統，據介紹能夠實現對強度，風化變化，劈裂間隔，劈裂狀態，走向和傾角的識別，預測準確度其它研究，如：張野[4]等人基於Inception-v3深度卷積神經網絡模型對一個由花崗巖、千枚巖和角礫巖組成的混合圖像數據集分類，取得90%以上的識別精度。
  • 深度學習基礎:一步一步講解卷積神經網絡
    這對於一些信號處理應用來說很好，但對於深度神經網絡來說它真的不重要，因此省略了這個雙重鏡像操作，就簡化了代碼，並使神經網絡也能正常工作。根據慣例，我們大多數人都叫它卷積，儘管數學家們更喜歡稱之為互相關，但這不會影響到你在編程練習中要實現的任何東西，也不會影響你閱讀和理解深度學習文獻。
  • 深度卷積網絡:實例探究——吳恩達DeepLearning.ai深度學習筆記之卷積神經網絡(二)
    我們可以利用跳躍連接構建能夠訓練深度網絡的殘差網絡（Residual Networks，簡稱為 ResNets）。表達式如下：構建一個殘差網絡就是將許多殘差塊堆積在一起，形成一個深度網絡。但實際上，對於一個普通網絡，隨著神經網絡層數增加，訓練錯誤會先減少，然後開始增多。但殘差網絡的訓練效果顯示，即使網絡再深，其在訓練集上的表現也會越來越好。
  • 【立體深度估計】開源 | FC-DCNN:一種用於立體深度估計的密集連接神經網絡!
    實時分享CVPR、ECCV等會議，關注深度學習、自動駕駛領域，我們期待你的加入。
  • 人工智慧&機器學習怎麼學,深度學習和卷積神經網絡--交互er不能不懂的人工智慧硬知識
    你可能以前看過這本著名的xkcd漫畫，一個3歲的孩子能認出一張鳥的照片。50多年來，優秀的計算機科學家始終在研究，如何使計算機識別物體。在過去的幾年中，我們終於找到了一種使用深度卷積神經網絡進行物體識別的好方法。
  • 如何通過Pytorch代碼可視化理解卷積神經網絡
    所有這一切都歸功於卷積神經網絡（CNN），這是一種特殊類型的神經網絡，也稱為  convnet。如果你是一個愛好者，你可能已經聽說過卷積神經網絡，也許你自己甚至開發了一些圖像分類器。像Tensorflow和PyTorch這樣的現代深度學習框架可以很容易地向機器訓練圖像，但是，仍然存在一些問題，如數據如何通過神經網絡的人工層？計算機如何從中學習？
  • CICC科普欄目|從感知機到深度神經網絡,帶你入坑深度學習
    但是，在本文中，我們打算重新構建一個神經網絡而非 SVM，並帶你領略下神經網絡解決異或問題的風採。何為神經網絡？神經網絡就是就是找到一個可以模擬人腦工作行為的表現良好的近似函數。圖 1 對人類神經元與人工智慧網絡作了類比。
  • 從此明白了卷積神經網絡(CNN)
    其實學過神經網絡之後，我們就知道，這些filter，根本就不用我們去設計，每個filter中的各個數字，不就是參數嗎，我們可以通過大量的數據，來 讓機器自己去「學習」這些參數嘛。這，就是CNN的原理。其實，如果套用我們前面學過的神經網絡的符號來看待CNN的話，我們的輸入圖片就是X，shape=(8,8,3);4個filters其實就是第一層神金網絡的參數W1,，shape=(3,3,3,4),這個4是指有4個filters;我們的輸出，就是Z1，shape=(6,6,4);後面其實還應該有一個激活函數，比如relu，經過激活後，Z1變為A1，shape=(6,6,4
  • 萬字長文:深度卷積神經網絡特徵可視化技術(CAM)最新綜述
    因此就有了「深度學習可解釋性「這一領域，而CAM(Class Activation Mapping)技術就是其中之一，其利用特徵可視化來探究深度卷積神經網絡的工作機制和判斷依據。本文通過七篇論文來論述該技術，並附帶代碼解析。CAM是什麼？
  • 重磅論文 解析深度卷積神經網絡的14種設計模式(附下載)
    Smith 和來自美國馬裡蘭大學的 Nicholay Topin，他們在本論文中總結了深度卷積神經網絡的 14 種設計模式；其中包括：1. 架構結構遵循應用；2. 擴增路徑；3. 努力實現簡潔；4. 增加對稱性；5. 金字塔形狀；6. 用訓練數據覆蓋問題空間；7. 過訓練；8. 增量特徵構造；9. 規範層輸入；10. 可用資源決定網絡深度；11. 轉換輸入；12. 求和連接；13.
  • 使用 Keras搭建一個深度卷積神經網絡來識別 c驗證碼
    向AI轉型的程式設計師都關注了這個號👇👇👇大數據挖掘DT機器學習  公眾號： datayx本文會通過 Keras 搭建一個深度卷積神經網絡來識別驗證碼當然，在這裡我們還對生成的 One-Hot 編碼後的數據進行了解碼，首先將它轉為 numpy 數組，然後取36個字符中最大的數字的位置，因為神經網絡會輸出36個字符的概率，然後將概率最大的四個字符的編號轉換為字符串。
  • 論文推送 | 利用深度卷積神經網絡和固定攝像頭量化小微公共空間使用的研究
    本期為大家推介的內容為論文《Quantifying the usage of small public spaces using deep convolutional neural network》(使用深度卷積神經網絡量化小型公共空間的使用研究
  • 【深度學習】詳細的神經網絡架構圖
    它們是無記憶的（即馬爾可夫特性（Markov Property）），這意味著你所得到的每一個狀態都完全依賴於其之前的一個狀態。儘管算不上是神經網絡，但它們確實類似於神經網絡，並提供了 BM 和 HN 的理論基礎。
  • 深入了解VGG卷積神經網絡濾波器
    基本思路是選擇一個特定的 ImageNet 類別並理解 VGG16 網絡如何來學習表示它。第一步是選擇 ImageNet 上的一個特定類別來訓練 VGG16 網絡。 神經網絡內部就是這樣表示一隻鳥的。這是一種虛幻的形象，但這正是在沒有人為幹預的情況下該神經網絡自然學到的東西！
  • 變種神經網絡的典型代表:深度殘差網絡
    隨著人們對於神經網絡技術的不斷研究和嘗試，每年都會誕生很多新的網絡結構或模型。這些模型大都有著經典神經網絡的特點，但是又會有所變化。你說它們是雜交也好，是變種也罷，總之對於神經網絡創新的各種辦法那真叫大開腦洞。而這些變化通常影響的都是使得這些網絡在某些分支領域或者場景下的表現更為出色（雖然我們期望網絡的泛化性能夠在所有的領域都有好的表現吧）。
  • matlab使用貝葉斯優化的深度學習:卷積神經網絡CNN
    p=7954此示例說明如何將貝葉斯優化應用於深度學習，以及如何為卷積神經網絡找到最佳網絡超參數和訓練選項。要訓練深度神經網絡，必須指定神經網絡架構以及訓練算法的選項。選擇和調整這些超參數可能很困難並且需要時間。貝葉斯優化是一種非常適合用於優化分類和回歸模型的超參數的算法。  準備數據下載CIFAR-10數據集[1]。
  • 阿里巴巴開源輕量級深度神經網絡推理引擎MNN
    點擊我愛計算機視覺標星，更快獲取CVML新技術導讀：在移動端進行深度神經網絡推理，可以使用騰訊開源的ncnn，或者小米開源的Mace
  • NIPS2018深度學習(26)|亮點:代表樣本選擇;上下文卷積網絡;反饋編碼(論文及代碼)
    Yen, Pradeep RavikumarCarnegie Mellon Universityhttps://papers.nips.cc/paper/8141-representer-point-selection-for-explaining-deep-neural-networks.pdf這篇文章提出如何解釋深度神經網絡的預測, 即通過指向訓練集中的一組稱為代表樣本
  • 萬字綜述:用於深度神經網絡加速的Shift操作
    >>年度盤點：極市計算機視覺資源匯總，頂會論文、技術視頻、數據集等（限時開放下載）在之前的文章中，我們詳細介紹了模型壓縮中的Slimming操作以及高效模型設計的自動機器學習流水線，本文將非常全面的介紹模型壓縮的另一種操作：Shift。目錄詳細講解3種用於深度神經網絡加速的Shift操作。