摘要：
生成式对抗网络 背景 生成模型 低维向量->高维数据（图片、文本、语言） 生成式对抗网络（GAN）的目的是训练生成模型，生成我我们想要的数据。 GAN 目标函数 训练算法 KL散度和JS散度 KL散度：衡量两个概率分布的匹配程度的指标 当且p1=p2，KL散度为零，且具有非负性。 JS散度： JS散 阅读全文
摘要：
生成式对抗网络 GAN-生成式对抗网络 视频学习链接：https://www.cnblogs.com/jiang-sy/p/13660383.html 生成式对抗网络-代码练习 import torch.nn as nn z_dim = 32 hidden_dim = 128 # 定义生成器 net 阅读全文
摘要：
循环神经网络 基本应用 语音问答、机器翻译、股票预测、作词机、作诗、模仿写论文、写代码、图像理解、视觉问答 VS卷积神经网络 传统和卷积神经网络，输入输出相互独立 RNN可以更好处理具有时序关系的任务，通过其循环结构引入“记忆”概念。 输出不仅依赖于输入，还依赖“记忆”，将同一个结构循环利用 基 阅读全文
摘要：
代码练习： 完善HybridSN高光谱分类网络 class HybridSN(nn.Module): def __init__(self, stride=1): super(HybridSN,self).__init__() #conv1：（1, 30, 25, 25）， 8个 7x3x3 的卷积核 阅读全文
摘要：
第二部分 代码练习 MobileNetV1网络： import torch import torch.nn as nn import torch.nn.functional as F import torchvision import torchvision.transforms as transf 阅读全文
摘要：
视频学习 深度学习的数学基础 自编码器变种 正则自编码器：使提取的特征表达符合某种性质——惩罚大权重 稀疏自编码器：提取稀疏特征表达——限制神经元平均激活度在一个很小的值 去噪自编码器：提取鲁棒特征表达 变分自编码器：数据生成、缺失数据填补、图像超高分辨率——基于隐层特征表达空间Z，通过解码曾，生成 阅读全文
摘要：
第一次作业：深度学习基础 【第一部分】视频学习心得及问题总结 绪论 人工智能的概念：让机器像人一样进行感知、认知、决策、执行的人工程序或系统。 人工智能发展的历史及标志性事件：达特茅斯会议AI诞生、感知机、专家系统、决策树、逻辑、统计学、深度学习。 人工智能三个层面： 计算智能：能存能算——具备快速 阅读全文