深度学习物体检测——常用资源简述

一、目标检测任务  算法是DPM(Deformable Part Model)。2013年利用深度学习测试https://arxiv.org/abs/1311.2524 https://github.com/rbgirshick/rcnn https://arxiv.org/abs/1504.08083 https://github.com/rbgirshick/fast-rcnn https:/

深度学习(十八)基于R-CNN的物体检测

基于R-CNN的物体检测原文地址:http://blog.csdn.net/hjimce/article/details/50187029作者:hjimce一、相关理论   本篇博文主要讲解2014年CVPR上的经典paper:《Rich feature hierarchies for Accurate Object Detection and Segmentation》,这篇文章的算法思想又被称

深度学习检测方法梳理

1. R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation技术路线:selective search + CNN + SVMsStep1:候选框提取(selective search)训练:给定一张图片,利用seletive search方法从中提取出2000个候选框。由于候选框

深度学习图像识别

目录(?)[+]转载请注明出处: http://xiahouzuoxin.github.io/notes/html/深度卷积网络CNN与图像语义分割.html级别1:DL快速上手级别2:从Caffe着手实践级别3:读paper,网络Train起来级别4:Demo跑起来读一些源码玩玩熟悉Caffe接口,写Demo这是硬功夫分析各层Layer输出特征级别5:何不自己搭个CNN玩玩级别6:加速吧,GPU

深度学习-80:展望深度学习的未来

深度学习-80:展望深度学习的未来深度学习原理与实践(开源图书)-总目录, 建议收藏,告别碎片阅读!由于算力和理论的突破,卷积神经网络(Convolutional Neural Networks)在很多领域开花结果。本章介绍相关领域进展。加入我们,一起阅读和完善: 机器学习&深度学习原理与实践(开源图书)。1 深度学习的理论进展深度学习理论的突破和云计算理论的突破,语音识别,图像识别和自然

2018 年,关于深度学习的 10 个预测

我有一种预感:2018年,所有的事情都会发生巨变。我们在2017年看到的深度学习取得的惊人突破将会以一种强大的方式延续到2018年。2017年在深度学习领域的研究成果将会应用于日常的软件应用中。下面是我对2018年深度学习的10个预测:(1)大部分深度学习领域的硬件创业公司都将失败很多深度学习硬件创业公司将在2018年开始交付他们的硅产品(深度学习硬件的核心部件是由晶体硅构成)。其中的大部分公司都

mxnet:结合R与GPU加速深度学习

转载于统计之都,http://cos.name/tag/dmlc/,作者陈天奇————————————————————————————————————————————————————————————Matt︱R语言调用深度学习架构系列引文R语言︱H2o深度学习的一些R语言实践——H2o包R用户的福音︱TensorFlow:TensorFlow的R接口mxnet:结合R与GPU加速深度学习碎片︱R语

我的第一本书《MXNet深度学习实战》

这篇博客介绍下我即将出版的第一本书:《MXNet深度学习实战》,欢迎大家多多支持。为什么写这本书2018年3月,华章图书的杨老师在博客上联系我,问我是否有出书意向,内容是深度学习框架方面的实战教学。当时的我使用MXNet和PyTorch框架也有一段时间了,虽然说不上精通,但是用起来还算熟悉,再加上我本人一直以来都喜欢和他人交流算法,并且想完善下自己在深度学习框架方面的知识体系,于是经过一段时间的考

深度学习框架MXNet之环境搭建

介绍MXNet是一个深度学习库, 由亚马逊开源,支持C++, Python, R, Scala, Julia, Matlab以及JavaScript等语言; 支持命令和符号编程; 可以运行在CPU,GPU,集群,服务器,台式机或者移动设备上。 最近李沐开始主导发起了一个MXNet学习教程,并且有很不错的配套社区可以讨论问题,所以自然就要跟随一波大神们的脚步了。MXNet在window下的安装首先安

MxNet 迁移学习实现深度学习分类

利用MxNet实现图像分类任务这篇文章将利用MxNet以及其前端gluon 实现一个完整的图像分类任务,其中主要包括以下几个方面:图像I/O搭建网络进行训练验证算法输出结果定义辅助函数损失函数验证数据I/O定义网络模型训练测试生成结果1. 训练数据I/O将处理好的训练数据读入,进行训练。训练数据的格式基本按照一个子类一个子文件夹的形式保持,具体可以参考MXNet的数据I/O1.1 程序的第一步,首

深度学习【22】Mxnet多任务(multi-task)训练

github上有两个版本的多任务训练分别是: https://github.com/miraclewkf/multi-task-MXNet 1、数据制作 \t具体是生成方法可以参考mxnet提供的im2rec.py,可以自己写一个make_list函数。 fc1 = mx.symbol.FullyConnected(data=flat, num_hidden=5, name='fc1')

深度学习框架mxnet安装与使用

     mxnet是一个深度学习的框架,我们可以在上面运行我们所需要的神经网络及各种深度学习的东西。这里总结一下在ubuntu上安装mxnet以及怎么使用我们自己的数据让mxnet跑起来。很遗憾的是我们的电脑gpu还不能用,只能先讲用cpu的。网上有很多关于这类的东西,我也看了很多,但感觉只有总结后才是自己的东西,不然看过之后不久又忘得干干净净。    (1)基本依赖安装           s

【MXNet】深度学习第一课:MXNet/Gluon环境配置和安装

第一课:MXNet/Gluon环境配置和安装因为我是基本从零学习的深度学习这门课程,在听过李沐的课程后,虽然他的学习资料很详细,但是并没有适合我的具体操作思路和方法,所以根据我的具体情况总结了以下配置和安装具体步骤:安装流程和介绍:每个教程是一个可以编辑和运行的Jupyter notebook。运行这些教程需要Python,Jupyter,以及最新版MXNet。 Jupyter notebook:

mxnet深度学习(NDArray)

mxnet深度学习(NDArray)MXNet里面的3个主要的概念:NDArray:NDArray提供了矩阵和张量(tensor)运算在CPU和GPU上,通过使用并行运算的技术。Symbol:Symbol使得定义一个神经网络变得更加简单,并且自动提供差异化(用于区别别的神经网络)。KVStore 提供数据同步在有多个GPU和CPU的机器上。NDArray(Numpy风格的,可以在CPU和GPU运算

深度学习 Deep Learning简介 (二):浅层学习(Shallow Learning)和深度学习(Deep Learning)

主要参考文献:http://blog.csdn.net/zouxy09/article/details/8775360(从一到八);http://www.csdn.net/article/2013-05-29/2815479 从1980年代末期以来,机器学习的发展大致经历了两次浪潮:浅层学习()和深度学习(Deep Learning)。需要指出是,机器学习历史阶段的划分是一个仁者见仁,智者见智的事

一文让你入门CNN,附3份深度学习视频资源

CNN简介文末附三份深度学习视频资源后台回复关键词(20180310)目录:一些视频资源和文章CNN简介图像即四维张量?卷积的定义CNN如何工作最大池化与降采样交流层一些资源卷积网络对图像进行物体辨识,可识别人脸、人类个体、道路标志、茄子、鸭嘴兽以及视觉数据中诸多其他方面的内容。卷积网络与运用光学字符辨识进行的文本分析有重合之处,但也可用于对离散文本单元以及声音形式的文本进行分析。卷积网络(Con

深度学习对话系统理论篇--数据集和评价指标介绍

对话系统常用评价指标当前对话系统之所以还没有取得突破性的进展,很大程度上是因为没有一个可以准确表示回答效果好坏的评价标准。对话系统中大都使用机器翻译、摘要生成领域提出来的评价指标,但是很明显对话系统的场景和需求与他们是存在差别的,这也是当前模型效果不是很好的原因之一。从对话系统不同的层次角度来评价对话系统的效果时,每个层面会有不同的关注点,如下图所示:从上图可以看出,黄色标识人类的主观角度,而蓝色

从头实现一个深度学习对话系统--Seq-to-Seq模型详解

上一篇文章已经介绍了几篇关于Seq-to-Seq模型的论文和应用,这里就主要从具体的模型细节、公式推导、结构图以及变形等几个方向详细介绍一下Seq-to-Seq模型。这里我们主要从下面几个层次来进行介绍:Seq-to-Seq框架1Seq-to-Seq框架2Seq-to-Seq with Attention(NMT)Seq-to-Seq with Attention各种变形Seq-to-Seq wi

用深度学习网络搭建一个聊天机器人(二)

谁/为什么关注基于检索模型的机器人?在本系列的上一篇博客中说到,基于检索模型的机器人有一个的回答集(repository),包含了预先定义的若干回答。与该模型相对应的产生式模型则是在不借助任何回答集的情况下产生一个全新的回答。让我们更正式地定义基于检索模型的机器人:模型的输入为上下文(context)$c$和回答(response)$r$。模型会根据上下文为回答评分,评分最高的回答将被选择作为模型

深度学习基础入门

课程简介本课程共分为三个部分:基础理论、深度神经网络基本结构以及网络优化与实践。本课程采用了理论结合实践的讲解方式,方便读者边学边练,理解巩固。在解释相关概念时,作者尽力使用简单、直观、可实现的公式语言描述,尽量避免使用图形、比喻和白话等容易使初学者误入歧途的描述方式。读者在初学过程中可能会不太习惯,但这对于建立知识体系是十分重要的。课程实践部分使用 TensorFlow 作为机器学习库,以帮助读