适合深度学习的机器配置

深度学习=大数据+超强计算力,这两个缺一不可。神经网络从上世纪80-90年代开始急速发展,但是由于数据量和计算力不够,导致在实际中应用不多,以至于神经网络从2000到2010年沉寂了近10年。从09年开始神经网络开始应用于语音识别、计算机视觉等领域,神经网络又开始流行了。神经网络还是那个神经网络,复苏的主要驱动力就是数据量和计算力。

The analogy to deep learning is that the rocket engine is the deep learning models and the fuel is the huge amounts of data we can feed to these algorithms. — Andrew Ng

为什么用GPU进行深度学习?

高端游戏玩家为获得更高的图形效果(3D、光照、防锯齿等等)需要选择高端显卡。如果你写过3D游戏,你应该知道图形操作需要大量的向量和矩阵运算,而这正是GPU最擅长的。

GPU是并行架构,擅长执行大矩阵乘法,而深度学习正好需要大量的矩阵运算。

CPU是设计用来进行更通用的运算,执行矩阵运算远远不及GPU。

适合深度学习的机器配置

继续阅读适合深度学习的机器配置

NeuralEnhance: 提高图像分辨率的深度学习模型

NeuralEnhance是使用深度学习训练的提高图像分辨率的模型,使用Python开发,项目地址:https://github.com/alexjc/neural-enhance

貌似很多电影都有这样的情节:对看不清的低分辨率图像(车牌、面部)进行某种处理来提高图像分辨率。

NeuralEnhance比普通插值算法要优秀的多,你还可以通过提高神经元数量(或是使用相似的图片样本进行训练)来获得更好的结果。 继续阅读NeuralEnhance: 提高图像分辨率的深度学习模型

神经网络和深度学习《Neural Networks and Deep Learning》

我在读Tensorflow文档的过程中,发现了一本免费在线书籍,书名叫《Neural Networks and Deep Learning》。这是一本非常好的深度学习入门读物,以MNIST手写数字识别开篇,写的深入浅出,非常适合入门级选手。

话说深度学习是什么鬼?

深度学习是机器学习的一个分支。受人类大脑的启发,人工神经网络(ANN)从上世纪40、50年代发展。深度学习是多层人工神经网络的组合,在40年前,人工神经网络只有2层深,不足以构建大型网络,现在少则十层多则百层。深度学习主要得益大数据和云计算的出现,是目前机器学习最火的领域。

深度学习=大数据+计算力

章节
  • 第一章:使用神经网络识别手写数字(MINIST):介绍了神经网络的发展和基本原理,最后使用Python,没有使用任何框架实现人工神经网络识别MNIST手写数字。
  • 第二章:反向传播算法是怎么工作的:本章包含了更多数学内容,是对BP算法的深入讨论。
  • 第三章:改进神经网络的学习方法
  • 第四章:神经网络可以做任何计算的可视化证明
  • 第五章:深度神经网络为何很难训练
  • 第六章:深度学习