图像张量的形状有两种约定，通道在前（channel-first）和通道在后（channel-last）的约定，常用深度学习框架使用的数据张量形状总结如下：
Pytorch/Caffe: (N, C, H, W)；
TensorFlow/Keras: (N, H, W, C)。
举例理解就是Pytorch 的卷积层和池化层的输入 shape 格式为 (N, C, H, W)，Keras 的卷积层和池化层的输入 shape 格式为 (N, H, W, C)。
值得注意的是 OpenCV 读取图
阅读全文 → 2022-11-21
在只有一个通道的情况下，“卷积核”（“kernel”）就相当于滤波器（“filter”），这两个概念是可以互换的。一个 “Kernel” 更倾向于是 2D 的权重矩阵。而 “filter” 则是指多个 kernel 堆叠的 3D 结构。如果是一个 2D 的 filter，那么两者就是一样的。但是一个3D filter，在大多数深度学习的卷积中，它是包含 kernel 的。每个卷积核都是独一无二的，主要在于强调输入通道的不同方面。
阅读全文 → 2022-11-21
以RNN为例，虽然它可以处理各种长度的序列，但是我们在训练时，为了加速训练，往往会将一批数据同时输入到模型中进行计算、求导。那同一批数据，要喂给网络，我们必须把它组织成矩阵的形式，那矩阵的每一行/列自然维度需要相同。所以我们必须让同一个batch中的各个样本长度/大小一致。
最常用的方法，就是padding，我们通过padding补零，把同一个batch中的所有样本都变成同一个长度，这样就可以方便我们进行批量计算了。对于那些padded values，也就是补的零，我们可以使用masking机制来避
阅读全文 → 2022-11-21
当某个网络（层或者单元）是以下三种情况之一时：
①只处理局部的信息；
②网络是无参数化的；
③参数矩阵跟输入大小无关，
这个网络就可以处理大小可变的输入。
阅读全文 → 2022-11-21
蓝海大脑深度学习高性能计算机液冷事业部研究人员表示：作为一个单元，容器可以轻松地在任何上下文中的任何操作系统上移动和运行。机器学习操作 （ML Ops） 是一组标准化的最佳实践和工具，旨在更轻松地在生产中设计、构建、部署和维护机器学习模型。通过使用自动化，ML Ops 使数据科学家能够统一软件的发布周期，自动测试 ML 工件，并以规范的方式将敏捷原则应用于 ML 项目，从而有助于生成更高质量的模型。
阅读全文 → 2022-11-17
深度学习是机器学习的一个子集，它表现出明显优于某些传统机器学习方法的性能。深度学习利用多层人工神经网络与数据和计算密集型训练的组合，灵感来自我们对人类大脑行为的最新理解。这种方法已经变得如此有效，甚至开始在许多领域超越人类的能力，例如图像和语音识别以及自然语言处理。
深度学习模型处理大量数据，通常是无监督或半监督的。
阅读全文 → 2022-11-17
网络研讨会
了解更多
注册以接收 蓝海大脑 活动/网络研讨会邀请
地址：北京市海淀区东北旺南路29号蓝海中心
联系电话：010－82770520
联系邮箱：marketing@lanhy.cn
蓝海大脑 京ICP备18017748号-1