AI应用方向 第2页
AI应用方向模块聚焦于人工智能在不同领域的经典应用算法，包括图像、自然语言处理（NLP）和图结构分析等。通过深入讲解每个方向的核心技术，帮助学习者掌握如何将AI算法应用于实际问题。无论是图像识别、文本分析还是图数据的建模与推理，这里都提供了全面的知识和技能，助你在多种应用场景中获得实际操作能力。
排序
自注意力机制（Self-Attention）
Transformer模型中最关键部分就是自注意力（Self-Attention）机制，正如 Transformer 的论文的标题是“Attention Is All You Need”！以文本问题为例来讲解这个机制。在处理文本问题时，自注意...
6个月前
图神经网络：图的向量化
引言 图神经网络（Graph Neural Networks，GNNs）是一种专门用于处理图形数据的神经网络架构。图形数据是一种非欧几里得数据，其中主要包括节点（vertices）和边（edges），节点代表实体，边表...
5个月前
Cycle-Consistent Adversarial Networks（CycleGAN）
引言 CycleGAN是一个革命性的技术，它在图像处理和计算机视觉领域开辟了新的可能性，尤其是在图像到图像的转换任务中。这项技术能够在没有成对示例的情况下，将一种风格的图像转换成另一种风格...
5个月前
编码器-解码器模型（Encoder-Decoder）
编码器-解码器模型简介 Encoder-Decoder算法是一种深度学习模型结构，广泛应用于自然语言处理（NLP）、图像处理、语音识别等领域。它主要由两部分组成：编码器（Encoder）和解码器（Decoder）。...
6个月前
ZFNet：卷积原理的深度解析
0.引言 ZFNet模型是由Matthew D. Zeiler和Rob Fergus在AlexNet的基础上提出的大型卷积网络，获得了2013年ILSVRC图像分类竞赛的冠军。其错误率为11.19%，较去年的AlexNet下降了5%。ZFNet解...
7个月前
Improved GANs
“Improved Techniques for Training GANs”是一篇由Ian J. Goodfellow 和他的同事在 2016 年发表的论文，这篇论文对生成对抗网络（GANs）的训练过程做出了重要的改进和提议。这些改进主要集中...
5个月前
MobileNet：轻量化模型
1.MobileNet V1 MobileNet系列是由谷歌公司的Andrew G. Howard等人于2016年提出的轻量级网络结构，并于2017年发布在arXiv上。MobileNet系列的特点是模型小、计算速度快，适合部署到移动端或者嵌...
7个月前
Wasserstein GAN
引言 WGAN，即Wasserstein GAN，旨在解决传统GAN训练中的一些问题，尤其是训练不稳定和梯度消失。WGAN通过使用Wasserstein距离（Earth-Mover距离或EM距离）来衡量真实数据分布和生成数据分布之...
5个月前
Graph Sample and Aggregate Network（GraphSAGE）
不管是GraphSAGE，还是GCN，它们的核心思想其实与朴素的GNN思想一致，都是每个节点根据图的连接结构，通过聚合邻居信息来更新自身节点的信息，再把更新后的节点向量送入神经网络层做进一步的学...
5个月前
VGGNet: 探索深度的力量
1.VGGNet模型总览 2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员Karen Simonyan和Andrew Zisserman研发出了新的深度卷积神经网络：VGGNet，并在ILSVRC2...
7个月前
