文档章节

人工智能资料库:第2辑(20170106)

AllenOR灵感
 AllenOR灵感
发布于 2017/09/10 01:27
字数 952
阅读 6
收藏 0
点赞 0
评论 0

  1. 【代码】TensorFlow implementation of "Learning from Simulated and Unsupervised Images through Adversarial Training"

简介:

利用TensorFlow实现了苹果的第一篇人工智能论文 Learning from Simulated and Unsupervised Images through Adversarial Training

原文链接:https://github.com/carpedm20/simulated-unsupervised-tensorflow


2.【博客】The Major Advancements in Deep Learning in 2016

简介:

该博客主要陈述了深度学习在2016年的主要进展,包括以下几个方面:

  • 无监督的学习
  • 生成式对抗网络(GAN,InfoGAN,Conditional GANs)
  • 自然语言处理(Text understanding,Question Answering,Machine Translation)
  • 社区(TensorFlow,Keras,CNTK,MXNET,Theano,Torch)

原文链接:http://www.kdnuggets.com/2017/01/major-advancements-deep-learning-2016.html#.WG6C7KA4x5Q.facebook


3.【视频】XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks

简介:

We propose two efficient approximations to standard convolutional neural networks: Binary-Weight-Networks and XNOR-Networks. In Binary-Weight-Networks, the filters are approximated with binary values resulting in 32x memory saving. In XNOR-Networks, both the filters and the input to convolutional layers are binary. XNOR-Networks approximate convolutions using primarily binary operations. This results in 58x faster convolutional operations and 32x memory savings. XNOR-Nets offer the possibility of running state-of-the-art networks on CPUs (rather than GPUs) in real-time. Our binary networks are simple, accurate, efficient, and work on challenging visual tasks. We evaluate our approach on the ImageNet classification task. The classification accuracy with a Binary-Weight-Network version of AlexNet is only 2.9% less than the full-precision AlexNet (in top-1 measure). We compare our method with recent network binarization methods, BinaryConnect and BinaryNets, and outperform these methods by large margins on ImageNet, more than 16% in top-1 accuracy.

原文链接:http://videolectures.net/eccv2016_rastegari_neural_networks/?q=eccv+2016


4.【课程】伯克利大学2017年春季最新课程:深度增强学习

简介:

下面列出了本课程的大纲。PPT等参考材料将随课程进度放出。

1 1/18 导论和课程概述 Schulman,Levine,Finn
2 1/23 监督学习:动力系统和行为克隆 Levine
2 1/25 优化控制背景:LQR,规划 Levine
2 1/27 复习:autodiff,反向传播,优化 Finn
3 1/30 用数据学习动力系统模型 Levine
3 2/1 优化控制与从优化控制器学习 Levine
4 2/6 客座讲座:Igor Mordatch,OpenAI Mordatch
4 2/8 RL的定义,值迭代,策略迭代 Schulman
5 2/13 增强学习与策略梯度 Schulman
5 2/15 Q函数:Q学习,SARSA,等 Schulman
6 2/22 高级Q函数:重放缓冲,目标网络,双Q学习 Schulman
7 2/27 高级模型学习:从图像和视频学习
7 3/1 高级模拟:policy distillation Finn
8 3/6 反向RL Finn
8 3/8 高级策略梯度:自然梯度和TPRO Schulman
9 3/13 策略梯度方差缩减与 actor-critic算法 Schulman
9 3/15 策略梯度和时间差分法小结 Schulman
10 3/20 探索问题 Schulman
10 3/22 深度增强学习中存在的问题和挑战 Levine
11 3/27 春假
11 3/29
12 4/3 深度增强学习中的平行和异步 Levine
12 4/5 客座讲座:Mohammad Norouzi,Google Brain Norouzi
13 4/10 客座讲座:Pieter Abbeel,UC Berkeley & OpenAI Abbeel
13 4/12 项目成果报告
14 4/17 高级模拟学习和反向RL算法 Finn
14 4/19 客座讲座(待定) 待定
15 4/24 客座讲座:Aviv Tamar,UC Berkeley Tamar
15 4/26 期末项目presentation
16 5/1 期末项目presentation
16 5/3 期末项目presentation

原文链接:http://rll.berkeley.edu/deeprlcourse/


5.【NIPS 2016 论文】Learning feed-forward one-shot learners

简介:

One-shot learning is usually tackled by using generative models or discriminative embeddings. Discriminative methods based on deep learning, which are very effective in other learning scenarios, are ill-suited for one-shot learning as they need large amounts of training data. In this paper, we propose a method to learn the parameters of a deep model in one shot. We construct the learner as a second deep network, called a learnet, which predicts the parameters of a pupil network from a single exemplar. In this manner we obtain an efficient feed-forward one-shot learner, trained end-to-end by minimizing a one-shot classification objective in a learning to learn formulation. In order to make the construction feasible, we propose a number of factorizations of the parameters of the pupil network. We demonstrate encouraging results by learning characters from single exemplars in Omniglot, and by tracking visual objects from a single initial exemplar in the Visual Object Tracking benchmark.

原文链接:https://arxiv.org/pdf/1606.05233v1.pdf

视频讲解:https://theinformationageblog.wordpress.com/2017/01/06/interesting-papers-from-nips-2016-iii-learning-feed-forward-one-shot-learners/


本文转载自:http://www.jianshu.com/p/b470a8e13848

共有 人打赏支持
AllenOR灵感
粉丝 10
博文 2634
码字总数 82983
作品 0
程序员
预测流行偏好,时尚 AI 未来可望取代造型师

【Technews科技新报】预测时尚潮流是一项需要天分的工作,还得仰赖一个庞大的系统让少数人追捧的时尚进入大众流行市场,进而让业者赚取大笔钞票。现在预测工作也可以交给人工智能,让服饰业者...

黄 嬿
2017/12/26
0
0
人工智能时代的工作、学习和生活---《人工智能》阅读笔记

自从“罗辑思维”栏目从优酷网站搬到得到APP并且变为每天几分钟的节目之后,我就很少收听它了。某天,我打开得到APP,并且点开了“罗辑思维”的节目清单,发现有一期的标题包含了“人工智能”...

zhouzxi
2017/07/15
0
0
人工智能知识整理-第1辑(20170603)-机器学习入门资源汇总

有一天我忽然忘记了一个函数的用法,于是就上谷歌搜,结果搜出来的竟然是自己写的一篇笔记,上面有很详细的回答。当时感觉是跟另外一个自己进行交流,那一个是刚学完知识,印象还非常深的自己...

人工智豪
2017/06/03
0
0
区块链技术让科学家共享患者健康资讯,同时保障个人资料安全

【Technews科技新报】目前医生在依据乳房摄影判断乳癌发生的情况下,有四分之一的乳癌无法被及时判断发现。为了提升乳癌确诊的效率,科学家计划以数百万包含了健康女性以及患有乳癌的女性乳房...

黄 斯沛
04/16
0
0
免费教材丨第48期:业界大牛中文教学视频《深度学习:进阶》第25-28讲

小编说 我们将继续发放彭老师的《深度学习:进阶》课程,本期发放第25-28讲,本教材由麦子学院提供,现表示感谢。本教学视频为中文教学,代码讲解为主,通俗易懂哦! 彭亮简介 美国犹他州立大...

r1unw1w
2017/10/29
0
0
人工智能资料库:第72辑(20171203)

1.【会议】Bayesian Deep Learning 简介: While deep learning has been revolutionary for machine learning, most modern deep learning models cannot represent their uncertainty nor......

chen_h
2017/12/03
0
0
AI不是魔法:人工智能的能与不能

  本文作者将从四类具体应用的实现上,看看AI技术给我们生活带来哪些便利,以及存在哪些局限?enjoy~      如果把AI技术分为「前端的交互技术」和「后端的人工智能技术」。前端的交互技...

深度学习
05/28
0
0
人工智能有“天花板” 传统产业要“+科技”——知名企业家激战“新经济”

(原标题:人工智能有“天花板” 传统产业要“+科技”——知名企业家激战“新经济”) 中国证券网讯 据新华社12月5日消息,“携手新时代,共话新经济”,第四届世界互联网大会上,多位企业家...

上海证券报·中国证券网
2017/12/05
0
0
Nature 新论文:让机器人像动物一样进化

雷锋网按:这里是,雷锋字幕组编译的Two minutes paper专栏,每周带大家用碎片时间阅览前沿技术,了解AI领域的最新研究成果。 原标题 This Robot Adapts Like Animals 翻译 | Binpluto 整理 ...

雷锋字幕组
05/21
0
0
BZOJ 1109 [POI2007]堆积木Klo

题目链接 https://www.lydsy.com/JudgeOnline/problem.php?id=1109 思路 神奇的dp转化: 设 朴素dp方程: 很容易看出,若 #include const int maxn=100000;const int inf=0x3f3f3f3f; int r......

wang3312362136
04/23
0
0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

java 重写排序规则,用于代码层级排序

1.dataList 是个List<Map<String,Object>> 类型的数据,所以比较的时候是冲map中获取数据,并且数据不能为空。 2.dataList 类型是由自己定义的,new Comparator<Map<String,Object>> 也是对应......

轻量级赤影
4分钟前
0
0
分布式大型互联网企业架构!

摘要: 开发工具 1.Eclipse IDE:采用Maven项目管理,模块化。 2.代码生成:通过界面方式简单配置,自动生成相应代码,目前包括三种生成方式(增删改查):单表、一对多、树结构。生成后的代码...

明理萝
4分钟前
0
1
对MFC程序的一点逆向分析:定位按钮响应函数的办法

因为消息响应函数保存在AFX_MSGMAP_ENTRY数组中, 观察nMessage、nCode、nID、pfn利用IDA在rdata段中搜索即可, 在IDA中找到代码段基址0x401000,函数地址0x403140, 在WinDbg中运行!addre...

oready
4分钟前
0
0
阻抗匹配与史密斯(Smith)圆图基本原理

参考:http://bbs.eeworld.com.cn/thread-650695-1-1.html

whoisliang
10分钟前
0
0
maven配置文件分离

一、 简介 遇到很多次别人处理的项目,测试环境,本地开发和线上环境的配置不一样,每一次部署都要重新修改配置文件,提交审核代码,才能打包,非常不方便。 其实相信很多人都知道可以使用m...

trayvon
10分钟前
0
0
MacOS和Linux内核的区别

导读 有些人可能认为MacOS和Linux内核有相似之处,因为它们可以处理类似的命令和类似的软件。甚至有人认为苹果的MacOS是基于linux的。事实上,这两个内核的历史和特性是非常不同的。今天,我...

问题终结者
26分钟前
1
0
SpringBoot | 第八章:统一异常、数据校验处理

前言 在web应用中,请求处理时,出现异常是非常常见的。所以当应用出现各类异常时,进行异常的捕获或者二次处理(比如sql异常正常是不能外抛)是非常必要的,比如在开发对外api服务时,约定了响...

oKong
34分钟前
0
0
mysql高级

一、存储引擎 InnoDB MyISAM 比较 二、数据类型 整型 浮点数 字符串 时间和日期 三、索引 索引分类 索引的优点 索引优化 B-Tree 和 B+Tree 原理 四、查询性能优化 五、切分 垂直切分 水平切分...

丁典
54分钟前
1
0
rsync通过同步服务、系统日志、screen工具

rsync通过后台服务同步 在远程主机中建立一个rsync服务器,在服务器上配置好rsync的各种应用,然后将本机作为rsync的一个客户端连接远程的rsync服务器。 首先在A机器上建立并且配置rsync的配...

黄昏残影
今天
5
0
Spring Cloud Gateway 接口文档聚合实现

在微服务架构下,通常每个微服务都会使用Swagger来管理我们的接口文档,当微服务越来越多,接口查找管理无形中要浪费我们不少时间,毕竟懒是程序员的美德。 由于swagger2暂时不支持webflux 走...

冷冷gg
今天
137
2

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部