写点什么

mnist

收录了 mnist 频道下的 50 篇内容

深入浅出 TensorFlow(二):TensorFlow 解决 MNIST 问题入门

本文是整个系列的第二篇文章,将会简单介绍TensorFlow安装方法、TensorFlow基本概念、神经网络基本模型,并在MNIST数据集上使用TensorFlow实现一个简单的神经网络。

用 MXnet 实战深度学习之一:安装 GPU 版 mxnet 并跑一个 MNIST 手写数字识别

本文是一系列深度学习的简单实战教程的第一篇,用MXnet做实现平台的实例代码,简单讲解深度学习常用的一些技术方向和实战样例。来自Phunter的博客,Phunter的职业是数据科学家,DMLC (http://dmlc.ml/) 工具包贡献者之一。

重磅:构建AIOps的MNIST
重磅:构建 AIOps 的 MNIST

本文将主要介绍在监控数据异常标注实践中遇到的问题和解决方案。

用FATE进行图片识别的联邦学习实践
用 FATE 进行图片识别的联邦学习实践

FATE(Federated AI Technology Enabler)是联邦机器学习技术的一个框架,其旨在提供安全的计算框架来支持联邦 AI 生态。

前端智能化:实现自己的控件识别模型
前端智能化:实现自己的控件识别模型

完成本教程,你可以开始进行自己的前端智能化项目,用机器学习解决编程过程中遇到的问题。

深入浅出 Tensorflow(三):训练神经网络模型的常用方法

本文将介绍优化训练神经网络模型的一些常用方法,并给出使用TensorFlow实现深度学习的最佳实践样例代码。为了更好的介绍优化神经网络训练过程,我们将首先介绍优化神经网络的算法——梯度下降算法。然后在后面的部分中,我们将围绕该算法中的一些元素来优化模型训练过程。

隆重推出 Amazon SageMaker Operators for Kubernetes
隆重推出 Amazon SageMaker Operators for Kubernetes

AWS 很高兴地宣布正式推出 Amazon SageMaker Operators for Kubernetes。

深度学习入门(六):手写数字识别
深度学习入门(六):手写数字识别

本文节选自图灵程序设计丛书 《深度学习入门》一书中的部分章节。

深入浅出 Tensorflow(四):卷积神经网络

本文将介绍卷积神经网络,通过与传统算法的对比、卷积神经网络的结构分析等方面来介绍卷积神经网络模型,并给出通过TensorFlow在MNIST数据集上实现卷积神经网络的方法。

人人都可以做深度学习应用:入门篇
人人都可以做深度学习应用:入门篇

人人都可以做深度学习应用!从环境搭建到简单实例,本文带你入门。

生成式深度学习
生成式深度学习

本文介绍多种生成式网络。

深入浅出 TensorFlow(七)TensorFlow 计算加速

要将深度学习应用到实际问题中,一个非常大的问题在于训练深度学习模型需要的计算量太大。为了加速训练过程,本文将介绍如何通过TensorFlow利用GPU或/和分布式计算进行模型训练。

AI一周热闻:华为孟晚舟获保释,朋友圈报平安;苹果部分手机在中国遭禁售
AI 一周热闻:华为孟晚舟获保释,朋友圈报平安;苹果部分手机在中国遭禁售

AI前线导读:更多干货内容请关注微信公众号“AI前线”(ID:ai-front)当地时间11日下午,不列颠哥伦比亚省高等法院的法官宣布,准许孟晚舟获得保释。

Tensorflow中ring all-reduce的实现
Tensorflow 中 ring all-reduce 的实现

那如何在Tensorflow代码中实现ring all-reduce呢

AWS将Amazon SageMaker Opeartors正式引入Kubernetes,开发者可轻松训练模型
AWS 将 Amazon SageMaker Opeartors 正式引入 Kubernetes,开发者可轻松训练模型

这项新功能让开发人员轻松训练、调整以及部署机器学习模型。

深入浅出 TensorFlow(六)TensorFlow 高层封装

为了让TensorFlow使用起来更加灵活,更加方便,可以使用一些高级封装。本文将介绍TensorFlow的四种主要封装:TensorFlow-Slim、tf.contrib.learn(之前也被称为skflow)、TFLearn、Keras;同时还将通过其中常用的三种方式在MNIST数据集上实现卷积神经网络。

GAN毕业手册:从零到一构建自己的GAN模型
GAN 毕业手册:从零到一构建自己的 GAN 模型

本文首先对生成对抗网络(GAN)的发展进行了简单的介绍。随后深入探讨了 GAN 的网络原理,并介绍了网络的评价指标。最后带领读者创建并运行自己的 GAN,利用 MNIST 数据集训练网络,用 Comet.ml 对实验数据和参数进行分析,并生成手写数字。

Caffe 的深度学习训练全过程

Caffe是一款十分知名的深度学习框架,由加州大学伯克利分校的贾扬清博士于2013年在Github上发布。自那时起,Caffe在研究界和工业界都受到了极大的关注。Caffe的使用比较简单,代码易于扩展,运行速度得到了工业界的认可,同时还有十分成熟的社区。 本文分为这几个部分: 数据预处理(建立数据库) 网络结构与模型训练的配置 训练与在训练 训练日志分析 预测检验与分析 性能测试

Yann LeCun都推荐的深度学习资料合集
Yann LeCun 都推荐的深度学习资料合集

本文是GitHub上的一个项目,包含了几乎人工智能领域全部的资料合集。

mnist专题_资料-InfoQ中文网