pdf

PyTorch深度学习

  • 1星
  • 日期: 2020-09-24
  • 大小: 28.02MB
  • 所需积分:0分
  • 下载次数:0
  • favicon收藏
  • rep举报
  • 分享
  • free评论
标签: pytorch

pytorch

深度学习

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。[1] 深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。[1] 深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。 深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。[2] 同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。

PyTorch是Facebook于2017年初在机器学习和科学计算工具Torch的基础上,针对Python语言发布的一个全新的机器学习工具包,一经推出便受到了业界的广泛关注和讨论,目前已经成为机器学习从业人员的研发工具。

《PyTorch深度学习》是使用PyTorch构建神经网络模型的实用指南,内容分为9章,包括PyTorch与深度学习的基础知识、神经网络的构成、神经网络的知识、机器学习基础知识、深度学习在计算机视觉中的应用、深度学习在序列数据和文本中的应用、生成网络、现代网络架构,以及PyTorch与深度学习的未来走向。

《PyTorch深度学习》适合对深度学习领域感兴趣且希望一探PyTorch的业内人员阅读;具备其他深度学习框架使用经验的读者,也可以通过本书掌握PyTorch的用法。

更多简介内容

推荐帖子

TI:兼容多种无线通信协议的开发平台
     短距离无线产品的主要应用场景来自于方兴未艾的物联网应有。物联网的应用场景多种多样,各类短距离的无线标准在数据采集端设备均有用武之地,TI通过统一的SimpleLink开发平台可以支持低功耗蓝牙,zigbee/ 802.15.4,Thread,WIFI, 6lowPAN, Sigfox 等各种不同协议.开发者面对碎片化的物联网应有碰到的最大挑战是需要花费大量的研发资源在不同的芯片平台上开发
Jacktang 无线连接
评估板快速测试-基于TI Sitara Cortex-A9
前  言 本指导文档适用开发环境: Windows开发环境:Windows 7 64bit、Windows 10 64bit Linux开发环境:Ubuntu 14.04.3 64bit 虚拟机:VMware14.1.1 U-Boot:U-Boot-2017.01 Kernel:Linux-4.9.65、Linux-RT-4.9.65 Linux Proc
Tronlong小分队 ARM技术
【CH579M-R1】啥是TMOS?
趁周末,多更一下 这次WCH57x系列的一大卖点就是2.4G的BLE 4.2 先从它下手吧 官方提供的资料不多 除了一大堆例程,然后就只有一个”CH57xBLE协议栈库说明.pdf” 这个文件也只有12页 大概介绍了一下协议栈的配置和基本API,略显单薄 文档中提到一个TMOS,貌似是一个准操作系统,实现了部分类似操作系统的功能 据说从TI的
ljj3166 国产芯片交流
评估板快速测试-基于TI Sitara Cortex-A9
前  言 本指导文档适用开发环境: Windows开发环境:Windows 7 64bit、Windows 10 64bit Linux开发环境:Ubuntu 14.04.3 64bit 虚拟机:VMware14.1.1 U-Boot:U-Boot-2017.01 Kernel:Linux-4.9.65、Linux-RT-4.9.65 Linux Proc
Tronlong小分队 ARM技术
TI C6000 数据存储处理与性能优化
存储器之于CPU好比仓库之于车间。车间加工过程中的原材料、半成品、成品等均需入出仓库,生产效率再快,如果仓库周转不善,也必然造成生产阻塞。如同仓库需要合理地规划管理一般,数据存储也需要恰当的处理技巧来提升CPU的运算性能。 本文基于TI C6000系列DSP,介绍了与运算性能优化有关的存储器知识。针对具体的数据存储问题,给出相应的代码优化策略,并将容易混淆的概念集中讨论。    
Jacktang DSP 与 ARM 处理器
太阳能充电控制器
        本设计是一款适用于 12V 和 24V 太阳能电池板的最大功率点跟踪 (MPPT) 太阳能充电控制器。该参考设计布局紧凑,可适用于中小型太阳能充电器解决方案,能够在 15V 至 60V 太阳能电池板模块、12V 或 24V 电池中正常运行,提供高达 20A 的输出电流。         该设计利用两相交错降压转换器将电池板电压降低至电池电压。降压转换器及与其连接的栅极驱动器由
Jacktang 模拟与混合信号

评论

登录/注册

意见反馈

求资源

回顶部

datasheet推荐 换一换

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版 版权声明

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2020 EEWORLD.com.cn, Inc. All rights reserved
$(function(){ var appid = $(".select li a").data("channel"); $(".select li a").click(function(){ var appid = $(this).data("channel"); $('.select dt').html($(this).html()); $('#channel').val(appid); }) })