python下不同深度学习环境的创建.doc
关于以下内容的教程和详细步骤:在Anaconda的envs目录下管理并安装多个不同版本的深度学习环境tensorflow和pytorch,不同环境下安装不同版本的cuda(含操作截图和资源链接)。
关于以下内容的教程和详细步骤:在Anaconda的envs目录下管理并安装多个不同版本的深度学习环境tensorflow和pytorch,不同环境下安装不同版本的cuda(含操作截图和资源链接)。
文档里面包括codeblocks17.12+opencv3.4.0的安装教程和配置过程中遇到的常见问题的解决办法!另外还包括VisualStudio2019Community版本和Opencv3.4.0的安装过程指导!
Windows下,在Anaconda3中安装其他想要的软件包,如opencv,更高版本的numpy等。
“语义分割”处理的是像素级分类问题,是计算机视觉中的基本任务,在自动驾驶、地物检测以及医疗辅助等许多领域,有着巨大的应用价值。常见的基于深度神经网络的语义分割模型,有U-Net,SegNet,PSPNet,以及DeepLab系列,(含论文出处和代码链接)。后续还将进一步整理完善哟!
人工智能的三大学派:符号主义,联结主义,行为主义。搜索,遗传算法,多层感知机(MLP),BP算法,Hopfield 网络,径向基网络,Boltzmann机(BM),深度神经网络(DNN),自动编码器(Auto Encoder),Deep Belief Networks(DBN),Deep Boltzmann Machine(DBM),Deep Learning for Image,Deep Learning for Sequence,RNN,LSTM,GAN,消解(归结)原理,一阶谓词逻辑,一阶逻辑-推演,KB语义网络,模糊逻辑。田忌赛马,格子问题,传教士、蚁群算法。
重点: 感知器,(批处理算法,改进);如何做多类分类(一对多,多对一),svm;反向传播算法(优缺点);卷积神经网络(如何构造,怎么解释,自组织映射的原理,径向基函数也看看);RNN,STLM作为了解;聚类:如何从混合密度估计到kmeans;准则;挑战性问题;层次聚类;谱聚类(原理,写出一种算法,基本计算过程)。强调问题的描述!!建模!!有无标签,原理(准则,如反向传播-误差传播),任务。adaboost的原理,基本智能过程,为什么有效(最大margin算法-支持向量机)。adaboost那节课的重点是模型选择的原则,分类器集成的基本方法,以及adaboost的原理及其训练的基本计算步骤。
由15个样本组成的贷款申请训练数据,包括四个特征(年龄,有无工作,有无房屋,信贷情况),最后一列是类别,表示是否同意其贷款。(1)计算所有特征对上表中数据集的信息增益;(2)用ID3算法建立决策树。用伪代码描述一种决策树剪枝的方法。预剪枝,后剪枝两类。给出PCA算法的计算过程。样本降维。
Adaboost算法的设计思想。从机器学习的角度简述模型选择的基本原则。丑小鸭定理;Occam剃刀原理;最小描述长度定理。简述分类器集成的基本方法。推导Hard-Margin SVM的优化目标。解释Hinge Loss在SVM中的意义。编程:从MNIST数据集中选择两类,对其进行SVM分类,可调用现有的SVM工具利用sklearn库进行svm训练MNIST数据集,准确率可以达到90%以上。
混合高斯密度函数估计。K-Means聚类算法。谱聚类算法(经典算法、Shi算法和Ng算法)。影响聚类性能的因素。证明:对于平方误差和准则,第三种划分最好;若采用类内散度矩阵的行列式最小准则,则前两种划分较好。
反向传播框架下推导学习规则。总结BP算法。描述自组织算法的计算步骤,给出训练算法的框图。指出卷积神经网络需要计算的权重数量;相对于全连接和非权值共享,所减少的权重数量。编写两个通用的三层前向神经网络反向传播算法程序,一个采用批量方式更新权重,另一个采用单样本方式更新权重。隐含层不同结点数目对训练精度的影响;观察不同的梯度更新步长对训练的影响,并给出一些描述或解释。