AI应用方向共48篇
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
VAN：基于卷积实现的注意力
0.引言 虽然Transformer最初是为自然语言处理任务而设计的，但最近已经在各种计算机视觉领域掀起了风暴。然而，图像是有空间信息的二维数据，这给计算机视觉中应用Transformer带来了三个挑战： ...
11个月前
图神经网络（GNN）
引言 图神经网络（Graph Neural Networks，GNNs）是一种专为图数据设计的深度学习模型。它们能够直接在图结构上操作，捕捉节点间的复杂关系和图的全局结构特征。图神经网络在多种任务中表现出色...
10个月前
基于ResNet模型和Web部署的脑瘤检测
项目背景 本实践任务旨在利用深度学习技术对人脑中的脑瘤进行分类。我们的数据集包含四个主要类别：无肿瘤（no_tumor）、胶质瘤（glioma_tumor）、脑膜瘤（meningioma_tumor）和垂体瘤（pituita...
10个月前
AS-MLP:注意力驱动下的多层感知机升级
0.引言 AS-MLP模型出自上海科技大学和腾讯优图实验室共同合作发表的文章，题为AS-MLP: AN AXIAL SHIFTED MLP ARCHITECTURE FOR VISION。纯MLP网络架构专注于全局的信息交流，却忽略了局部信息的...
11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...
1年前
Transformer算法详解
算法简介 Transformer架构于2017年6月推出。最初的研究重点是自然语言处理领域的翻译任务。随后，几个具有影响力的模型被引入，包括： （1）2018年6月：GPT，第一个预训练的Transformer模型，用...
12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...
10个月前
ShuffleNet:轻量化网络
1. ShuffleNet V1 ShuffleNet V1是由旷视科技在2017年底为移动设备打造的轻量级卷积神经网络。其创新之处在于采用了组卷积（Group Convolution）和通道打散（Channel Shuffle）的方法，保证网络...
12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...
10个月前
AlexNet：深度学习崛起的标志
1.AlexNet理论 AlexNet模型与LeNet模型有很多相似之处，它可以被看作是LeNet的改进版本，都由卷积层和全连接层构成。然而，AlexNet之所以能够在ImageNet比赛中大获成功，还要归功于其独特...
1年前
