开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在深度神经网络中，不同分支的贡献并不相等。

这是因为深度神经网络通常由多个分支组成，每个分支负责处理网络中的不同特征或任务。不同分支的贡献不相等可以理解为某些分支对网络的整体性能和准确性的贡献更大，而其他分支的贡献相对较小。

这种不同分支贡献不相等的现象可以通过以下几个方面来解释：

分支设计：在设计深度神经网络时，可以根据任务的复杂性和重要性来决定每个分支的结构和参数设置。一些重要的任务可能会有更多的分支来处理，而一些次要的任务可能只有少数分支参与。
数据分布：不同分支可能对应不同的数据分布。某些分支可能更适合处理某些特定类型的数据，而其他分支则更适合处理其他类型的数据。因此，对于不同的数据分布，不同分支的贡献也会不同。
特征提取：深度神经网络的分支通常用于提取不同层次的特征。一些分支可能负责提取低级别的特征，而其他分支则负责提取高级别的特征。由于不同层次的特征对网络性能的贡献不同，因此不同分支的贡献也会不相等。
权重调整：在训练深度神经网络时，可以通过调整不同分支的权重来平衡它们的贡献。一些分支可能需要更多的权重来强调它们的重要性，而其他分支则可能需要较少的权重。通过适当调整权重，可以使不同分支的贡献更加平衡。

总之，在深度神经网络中，不同分支的贡献不相等是一种常见现象。了解和平衡不同分支的贡献对于优化网络性能和提高准确性非常重要。

腾讯云相关产品和产品介绍链接地址：

腾讯云深度学习平台：https://cloud.tencent.com/product/tensorflow
腾讯云人工智能平台：https://cloud.tencent.com/product/ai
腾讯云云服务器：https://cloud.tencent.com/product/cvm
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/baas
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发平台：https://cloud.tencent.com/product/tcaplusdb
腾讯云音视频处理：https://cloud.tencent.com/product/mps

相关搜索:两个看似相等的字符串在javascript中并不相等在Python中合并不同大小的数组在nodejs中合并不同key上的数组在useEffect中，什么构成了深度相等检查的替代方案？在tensorflow教程中训练深度神经网络时的nan损失在单个分支中完成两个不同分支的更改在SVN中的一个分支中工作，并提交到不同的分支在不同分支Github中推送某些文件的更改使用不同版本的Xcode创建的分支在git中真的不同吗？在不同的分支中识别相同的提交(不同的哈希，但相同的内容)？在python中合并不同时间频率的序列/数据帧在Checkmarx的代码扫描过程中处理不同的Git分支？如果多个列的值在不同的数据帧大小中相等-R 在Matlab数组的每一行中索引相等/不同的元素在NetworkX中检查具有不同顶点标签的同构图的相等性在不考虑原型的情况下检查js的深度相等性(最好在lodash中)是否可以在不同的分支中单独升级Rails应用程序？有没有办法在Kotlin的list中合并不同(但相似)对象的值？在ggplot2中为具有不同颜色深度的地图上色在相同代码的深度学习模型中获得不同的准确率

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

学界 | 通过Crowd Layer，利用众包标注数据集进行深度学习

选自arXiv 机器之心编译参与：刘晓坤、路雪本文通过在深度神经网络中引入一种新型众包层（crowd layer），通过反向传播方式，直接利用噪声标签实现端到端的训练。该方法可获取不同标注者的可信

06

ResNeXt：何恺明 Facebook 升级 ResNet，提出神经网络新维度

【新智元导读】在 ImageNet 和 COCO 2015 竞赛中，共有 152 层的深度残差网络 ResNet 在图像分类、目标检测和语义分割各个分项都取得最好成绩，相关论文更是连续两次获得 CVPR 最佳论文。ResNet 作者之一何恺明在去到 Facebook AI 实验室后，继续改进工作提出了 ResNeXt。ResNeXt 采用多分支的同构结构，只需要设定较少的超参数，并且显露出在深度、宽度之外神经网络的另一个衡量指标——“基数”（cardinality）。本文从何恺明和他的同事 ResNeXt

08

首个移动端AI虚拟人像加速方案！这项研究将让科幻般VR离你更近一步

斯皮尔伯格指导的电影《头号玩家》相信大家都不陌生，电影中高度成熟发达的VR（虚拟现实）技术是每一位科技爱好者都会憧憬的场景：

03

【AAAI 2018】多种注意力机制互补完成VQA（视觉问答），清华大学、中国香港中文大学等团队最新工作

【导读】近日，针对VQA领域中不同注意力机制（如基于自由区域的注意力和基于检测的注意力）各有利弊的现状，来自清华大学、香港中文大学和华东师范大学的学者发表论文提出一个新的VQA深度神经网络，它集成了两种注意力机制。本文提出的框架通过多模态特征相乘嵌入方案有效地融合了自由图像区域、检测框和问题表示，来共同参与问题相关的自由图像区域和检测框上的注意力计算，以实现更精确的问答。所提出的方法在两个公开的数据集COCO-QA和VQA上进行了大量的评估，并且胜过了最先进的方法。这篇文章被AAAI2018接收，代码已开源

04

推荐一个神级工具：能缓解梯度消失问题&提升训练速度

深度神经网络一直以来就有一个特点：随着网络加深，模型会越来越难以训练。所以深度学习有一个非常本质性的问题：为什么随着网络加深，训练会越来越困难？为了解决这个问题，学界业界也一直在尝试各种方法。

03

DeepMind与谷歌又出大招！用神经网络解决NP-hard的MIP问题

编译 | 陈彩娴近日，DeepMind 与 Google Research 团队共同发布了一项工作，用神经网络与机器学习方法来解决混合整数规划（MIP）问题！论文地址：https://arxiv.org/pdf/2012.13349.pdf 在解决现实中遇到的大规模混合整数规划（Mixed Integer Programming, MIP）实例时，MIP 求解器要借助一系列复杂的、经过数十年研究而开发的启发式算法，而机器学习可以使用数据中实例之间的共享结构，从数据中自动构建更好的启发式算法。在这篇工

01

YOLO v9

当今的深度学习方法专注于设计最合适的目标函数，以使模型的预测结果与实际情况最接近。同时，必须设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，大量信息将会丢失。本文将深入探讨当数据通过深度网络传输时的数据丢失重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以处理深度网络所需的各种变化，以实现多个目标。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息以更新网络权重。此外，基于梯度路径规划设计了一种新的轻量级网络架构——广义高效层聚合网络（GELAN）。GELAN的架构证实了PGI在轻量级模型上取得了优异的结果。我们在基于MS COCO数据集的目标检测上验证了提出的GELAN和PGI。结果显示，GELAN仅使用常规卷积算子即可实现比基于深度卷积开发的最先进方法更好的参数利用率。PGI可用于各种模型，从轻量级到大型。它可用于获取完整信息，使得从头开始训练的模型可以获得比使用大型数据集预训练的最先进模型更好的结果。

01

深度学习两大基础Tricks：Dropout和BN详解

dropout作为目前神经网络训练的一项必备技术，自从被Hinton提出以来，几乎是进行深度学习训练时的标配。就像做菜时必须加料酒一样，无论何时，大家在使用全连接层的时候都会习惯性的在后面加上一个dropout层。通常情况下，dropout被作为一种防止神经网络过拟合的正则化方法，对神经网络的泛化性能有很大的帮助。每个人都会用dropout，但你真的理解它吗？本节我们就来看看dropout里的一些关键细节问题。

03

【神经网络丨主题周】深度学习中5种常见的网络类型

卷积神经网络属于前面介绍的前馈神经网络之一，它对于图形图像的处理有着独特的效果，在结构上至少包括卷积层和池化层。卷积神经网络是最近几年不断发展的深度学习网络，并广泛被学术界重视和在企业中应用，代表性的卷积神经网络包括LeNet-5、VGG、AlexNet 等。

02

颠覆传统计算架构：光神经网络硬件登上Nature

光纤以光的形式传输数据，是现代远程通信网络的支柱。但在分析这种数据时，我们需要把光转换为电子，然后用电子方法进行处理。光学曾被认为是一种潜在计算技术的基础，但由于电子计算发展迅速，光学计算在这条赛道上跑得很吃力。

04

学界 | MSRA王井东详解ICCV 2017入选论文：通用卷积神经网络交错组卷积

机器之心报道参与：高静宜 7 月 17 日，微软亚洲研究院的一篇论文，《Interleaved Group Convolutions for Deep Neural Networks》入选计算机视觉领域顶级会议 ICCV 2017（International Conference on Computer Vision）。论文中提出了一种全新的通用卷积神经网络交错组卷积（Interleaved Group Convolution，简称 IGC）模块，解决了神经网络基本卷积单元中的冗余问题，可以在无损性能的前

08

戳穿泡沫：对「信息瓶颈」理论的批判性分析

选自the Morning Paper 作者：Adrian Colyer 机器之心编译参与：黄小天、路雪、李泽南「信息瓶颈」（Information Bottleneck）理论由耶路撒冷希伯来大学的计算机与神经科学家 Naftali Tishby 等人提出。该研究有望最终打开深度学习的黑箱，并解释人脑的工作原理（参见：揭开深度学习黑箱：希伯来大学计算机科学教授提出「信息瓶颈」）。Geoffrey Hinton 曾对此研究评论道：「信息瓶颈极其有趣，估计要再听 10000 遍才能真正理解它，当今能听到如此

08

AI 的十种 “新数学”

近期，在智源研究院成立两周年之际举办的“智源论坛2020”中，北京大学教授、智源学者林伟提出这样一个问题：人工智能到底能不能够激发新数学的发展？对这一问题，他给出“人工智能的十种新数学”的回答。

01

DL也要搞好「最基础科学」，这期论坛我们聚焦深度学习中的数学优化问题

数学是一切科学的基础，是人类探索自然最为重要的语言。诺贝尔奖得主费曼曾说：「如果没有数学语言，宇宙似乎是不可以描述的。」人工智能领域也不例外。以 AI 技术中的机器学习及其分支深度学习为例，线性代数、概率论、统计学、微积分、信息论等数学概念都需要扎实掌握。可以说，机器学习以统计学和计算机科学为基础，以数学描述模型、指导模型为核心。事实上，常微分神经网络、Performer 、变分自编码器等很多优秀的模型，都是从数学角度推导出某些性质，进而构建整个模型。与此同时，模型结构与参数的性质、损失函数的收敛区间、

02

观点 | 机器学习=「新瓶装旧酒」的数据统计？No！

随着深度学习的热度开始消退，这个梗最近开始在社交媒体上广为流传，引起了互联网上众人的讥笑。机器学习没什么好激动的，它只是对统计技术的一种补充——这种观点越来越普遍；但问题是这个观点并不正确。

01

机器学习=「新瓶装旧酒」的数据统计？No！

随着深度学习的热度开始消退，这个梗最近开始在社交媒体上广为流传，引起了互联网上众人的讥笑。机器学习没什么好激动的，它只是对统计技术的一种补充——这种观点越来越普遍；但问题是这个观点并不正确。

01

专栏｜深度学习在人脸识别中的应用 ——优图祖母模型的“进化”

说到人工智能（Artificial Intelligence, AI）人们总是很容易和全知、全能这样的词联系起来。大量关于AI的科幻电影更给人工智能蒙上一层神秘的色彩。强如《黑客帝国》、《机械公敌》中的AI要翻身做主人统治全人类。稍弱点的《机械姬》里EVA懂得利用美貌欺骗中二程序员，杀死主人逃出升天。最不济也可以蠢萌蠢萌的像WALL·E能陪玩、送礼物还能谈个恋爱。其实人工智能这个词在1956年达特茅斯会议上正式诞生时，目标就是想要让机器的行为看起来像是人所表现出的智能行为一样的“强”人工智能。然而人工智能

04

一文详解深度学习中的Normalization：BN/LN/WN

深度神经网络模型训练之难众所周知，其中一个重要的现象就是 Internal Covariate Shift. Batch Norm 大法自 2015 年由Google 提出之后，就成为深度学习必备之神器。自 BN 之后， Layer Norm / Weight Norm / Cosine Norm 等也横空出世。本文从 Normalization 的背景讲起，用一个公式概括 Normalization 的基本思想与通用框架，将各大主流方法一一对号入座进行深入的对比分析，并从参数和数据的伸缩不变性的角度探讨 Normalization 有效的深层原因。

02

深度学习败于“捷径”

这一话题已经有过了无数讨论，大部分讨论都承认当前的深度学习还不是真正的智能，必须转向理解、常识。

01

人工神经网络能否驾驭生物神经元的“浓稠”程度？5到8层可能并非极限

计算神经科学家通过训练人工神经网络来模仿生物神经元，提供了一种探讨单个脑细胞复杂性的新方法。

04

一个神经元顶5到8层神经网络，深度学习的计算复杂度被生物碾压了

机器之心报道编辑：杜伟、陈萍看来人工智能的发展还任重道远。来自耶路撒冷希伯来大学的研究者对单个神经元的计算复杂度进行了研究，他们通过训练人工深度神经网络来模拟生物神经元的计算，得出深度神经网络需要 5 至 8 层互连神经元才能表征（或达到）单个生物神经元的复杂度。人类糊状的大脑似乎与计算机处理器中的固态硅芯片相去甚远，但科学家将二者进行比较已经有很多年的历史。正如「人工智能之父」阿兰 · 图灵在 1952 年所说，「我们对大脑具有冷粥粘稠度这一事实不感兴趣。」换句话说，介质不重要，重要的是计算能力。

02

深度并非一切：普林斯顿、英特尔提出ParNet，速度和准确性显著优于ResNet

深度是深度神经网络的关键，但更多的深度意味着更多的序列计算和更多的延迟。这就引出了一个问题——是否有可能构建高性能的「非深度」神经网络？

02

为了不曾忘却的纪念：孙剑专题

“16年前，黄煦涛去香港过圣诞，无意间发现一同聚会的几位计算机视觉的领军人物均相差10岁，分别是：1936年出生的黄煦涛、1946年出生的马颂德、1956年出生的高文、1966年出生的沈向洋。大家便讨论下一次聚会，是否能再找到另一位再年轻10岁的计算机视觉领军人物，讨论迅速指向同一个人，那便是沈向洋的学生、1976年出生的孙剑。”

02

为了不曾忘却的纪念：孙剑专题

“16年前，黄煦涛去香港过圣诞，无意间发现一同聚会的几位计算机视觉的领军人物均相差10岁，分别是：1936年出生的黄煦涛、1946年出生的马颂德、1956年出生的高文、1966年出生的沈向洋。大家便讨论下一次聚会，是否能再找到另一位再年轻10岁的计算机视觉领军人物，讨论迅速指向同一个人，那便是沈向洋的学生、1976年出生的孙剑。” 2020年夏天，陈长汶教授在全球人工智能与机器人大会（GAIR） “Thomas S. Huang纪念专场—中国计算机视觉的40年传承”环节，讲述了“40年传承”的由来。作为4

02

斯坦福博士韩松毕业论文：面向深度学习的高效方法与硬件

选自Stanford 机器之心编译参与：路雪、蒋思源韩松，2017 年斯坦福大学电子工程系博士毕业，师从 NVIDIA 首席科学家 Bill Dally 教授。他的研究也广泛涉足深度学习和计算机体系结构，他提出的 Deep Compression 模型压缩技术曾获得 ICLR'16 最佳论文，ESE 稀疏神经网络推理引擎获得 FPGA'17 最佳论文，对业界影响深远。他的研究成果在 NVIDIA、Google、Facebook 得到广泛应用，博士期间创立了深鉴科技，2018 年将任职 MIT 助理教授

09

综述 | 知识蒸馏（1）

近年来，深度神经网络在工业和学术界都取得了较大成功，尤其是在计算机视觉任务方面：主要归因于其可扩展性以编码大规模数据（提取特征），并操纵数十亿个模型参数。然而，将这些繁琐的深度模型部署在资源有限的设备（例如，移动电话和嵌入式设备）上也是一个挑战：不仅计算复杂度高，且存储需求大。为此，多种模型压缩和加速技术被提出；其中，知识蒸馏可以有效地从大型“教师”模型学习小型的“学生”模型，迅速受到重视。本文从知识的类别、训练的策略、蒸馏的算法和应用等角度，对知识蒸馏进行了全面调研。此外，简述了知识蒸馏的挑战，并对未来研究进行讨论。

02

我从吴恩达深度学习课程中学到的21个心得：加拿大银行首席分析师“学霸“笔记分享

大数据文摘作品编译：新知之路、小饭盆、钱天培今年8月，吴恩达的深度学习课程正式上线，并即刻吸引了众多深度学习粉丝的“顶礼膜拜”。一如吴恩达此前在Coursera上的机器学习课程，这几门深度学习课程也是好评如潮。在诸多粉丝中，加拿大国家银行金融市场的首席分析师Ryan J. Shrott从前三门深度学习课程中总结出了21点心得，总结了该系列课程的诸多精华。今天，文摘菌就带大家一起来读一读这份“学霸“笔记。首先来看一下Ryan对该课程的总体评价：吴恩达先生（Andrew Ng）的3门课程都超级有用，

03

从吴恩达深度学习课程中学到的21个心得

本文介绍了深度学习的21个心得，包括训练和验证数据的划分、选择合适的网络架构、调参、使用预训练模型、使用迁移学习、使用多任务学习、使用端到端学习、使用生成对抗网络、使用自监督学习、使用强化学习、使用对抗样本、使用正则化、使用模型剪枝、使用缓存、使用量化、使用多GPU训练、使用梯度累积、使用学习率调度器、使用Horovod、使用PyTorch和TensorFlow等。

09

输入两张“怪异”图像，VGG、Inception、ResNet集体翻车，经典图像分类模型有多脆弱？

VGG是一款经典图像分类算法。图像分类是计算机视觉技术的基础任务，比如给定一张图像，判断它是猫、狗、飞机，还是建筑。

03

【DS Solutions】一个反欺诈产品的进化，Stripe Radar

文章开篇描述了Stripe Radar在用户点击“购买”到交易确认之间的极短时间内的工作流程。Stripe Radar通过评估超过1000个潜在交易特征来确定其欺诈可能性，准确率极高，错误阻止的合法交易仅占0.1%。

01

一文带你了解深度神经网络架构发展史

作者 | Eugenio Culurciello 译者 |叶俊贤深度神经网络和深度学习算法因为在科研工作与工程任务中都取得了显著的效果从而大受欢迎。而其中取得显著成功的深度神经网络通常是由于它们成功的架构设计。因此，在这里我准备同大家分享并回顾一下最近几年神经网络架构的发展历史。请注意，本篇博客仅仅做了一个比较简单的介绍，如果看完博客之后还想更深入地了解博客中提到的每种神经网络之间的差异，请继续阅读论文《An Analysis of Deep Neural Network Models for

深度学习三巨头共同发文，聊聊深度学习的过去、现在与未来

作者|Yoshua Bengio,Yann LeCun,Geoffrey Hinton 译者|香槟超新星出品|AI科技大本营(ID:rgznai100) 人工神经网络领域的研究是基于对人类智能的观察而来：人类智能从高度并行的网络中产生，这些网络由结构相对简单的非线性神经元组成，通过调整连接强度来进行学习。这一观察随即引入了一个核心的计算科学问题：如果要让这种普通类型的网络完成目标检测或理解语言这样的困难任务，怎样才能让它学会复杂的内部表示？深度学习尝试通过使用多层的活动向量作为表示，以及最优化损失函数

02

PyTorch学习系列教程：深度神经网络【DNN】

趁着清明小假期，决定继续输出几篇文章。对于PyTorch学习教程系列，有了前几篇推文做铺垫，这次打算用三篇文章分别介绍一下深度学习中的三大基石：DNN、CNN、RNN。本文就从DNN开始，即深度神经网络。

04

DeepMind新突破！首次用深度学习从第一性原理计算分子能量

DeepMind发表了一项新研究，展示了深度学习如何帮助解决现实系统中的量子力学基本方程问题，相关论文发表在物理学期刊《Physical Review Research》，代码也已经开源。

01

2018图灵奖公布！Hinton、Bengio、LeCun深度学习三巨头共享

据官方公告介绍，因三位巨头在深度神经网络概念和工程上的突破，使得 DNN 成为计算的一个重要构成，从而成为 2018 年图灵奖得主。

02

周志华：“深”为什么重要，以及还有什么深的网络

IJCAI 2019 在中国澳门隆重召开，南京大学周志华教授进行特邀大会演讲，演讲主题是《Deep Learning: Why deep and is it only doable for neura

03

深度学习算法地图

本文是机器学习算法地图的下篇，系统地整理了深度学习算法，整张图的设计风格与机器学习算法地图保持一致。从去年底就开始酝酿深度学习算法地图，然而工程浩大。这张图是SIGAI算法工程师集体智慧的结晶，也是在研发SIGAI核心产品-简单易用的机器学习框架过程中的副产品。由于深度学习的算法变种太多，而且处于高速发展期，因此难免会有疏漏，后续版本将不断完善与优化。

04

《机器学习》序言部分

序言部分讲到在人工智能界一直有一个说法，认为机器学习是人工智能领域最能够体现智能的一个分支。

03

学界 | 哈佛大学提出在云、边缘与终端设备上的分布式深度神经网络DDNN

选自arXiv 机器之心编译参与：李亚洲近年来，深度神经网络在多种应用上取得了极大的成功，网络架构也变得越来越深。以卷积神经网络为例，从 1998 年 LeNet 的 5 层，发展到 2015 年

07

非神经网络的深度模型

---- 深度学习最大的贡献，个人认为就是表征学习（representation learning），通过端到端的训练，发现更好的features，而后面用于分类（或其他任务）的输出function，往往也只是普通的softmax（或者其他一些经典而又简单的方法）而已，所以，只要特征足够好，分类函数本身并不需要复杂——博主自己在做research的时候也深有同感，以前很多paper其实是误入歧途，采用的feature非常混淆模糊没有区分性，却指望在分类器上获得好的结果，可能么？深度学习可以说是回到了问题的

09

【图像分类】简述无监督图像分类发展现状

无监督图像分类问题是图像分类领域一项极具挑战的研究课题，本文介绍了无监督图像分类算法的发展现状，供大家参考学习。

03

DeepMind AI 关系推理超越人类：深度神经网络模块即插即用

【新智元导读】DeepMind 今天发表官博介绍了他们的两篇最新论文，称其都在理解“关系推理”这一挑战方面展示出了令人可喜的结果。一个是视觉互动网络 VIN，能够预测视觉场景中各个物体在未来几百步所处位置，另一个则是模块化的、具有关系推理能力的深度神经网络架构 RN，可以“即插即用”，提升其他深度神经网络结构（如 CNN）关系推理的能力。在李飞飞等人提出的图像理解数据集 CLEVR 测试结果表明，RN 的总体推理正确率已经达到 95.5%，超越人类水平。研究一：视觉互动网络 VIN，从原始视觉观察中学习真

深度 | 周志华：“深”为什么重要，以及还有什么深的网络

许多特性并不是深度神经网络独有~ 作者：杨晓凡编辑：Camel 8 月 10 日至 16 日，IJCAI 2019 在中国澳门隆重召开。14 日下午，南京大学周志华教授进行特邀大会演讲，演讲主题

03

AI 入行那些事儿（6）深度学习之神经网络

现在的深度学习就是利用深度神经网络来进行模型训练。深度神经网络是神经网络的延续，而神经网络在几十年前则是一种机器学习模型。

03

图灵奖颁给深度学习三巨头，他们曾是一小撮顽固的“蠢货”

ACM刚刚官宣，Yoshua Bengio、Geoffrey Hinton、Yann LeCun获得了2018年度图灵奖，表彰他们以概念和工程的突破，让深度神经网络成为计算关键部件。

02

YOLOv9

现在的深度学习方法侧重于如何设计最合适的目标函数，使模型的预测结果最接近实际情况。同时，必须设计一种适当的架构，该架构可以促进获取足够的信息用于预测。

01

寒冬！100万$图灵奖颁给熬过寒冬的深度学习三巨头

据官方公告介绍，因三位巨头（Hinton、Bengio、LeCun）在深度神经网络概念和工程上的突破，使得 DNN 成为计算的一个重要构成，从而成为 2018 年图灵奖得主。

02

IEEE TCBB | DeepSeqPanII:肽与HLA-II分子结合预测的新利器

(2) HLA-II分子往往与更长的肽结合。HLA-I分子一般与长度为8-11肽表位序列结合，但HLA-II分子往往会与更长的肽表位序列结合，通常长度会达到14-18。

04

机器识别太“像人”，错误也照“学”

【新智元导读】让“机器像人”可谓人工智能终极目标。但最近有研究发现，使用深度神经网络识别图像的结果与人眼识别相似——在出错的地方相似。这实在令人哭笑不得：机器识别图像“像人”但又太过“像人”，把错误也

学界 | 信息论视角下的深度学习简述，形式化的泛化误差分析

选自arXiv 机器之心编译参与：刘天赐、路本论文从信息论的角度简要概述了深度学习，试图解决这两个问题：(1) 深度神经网络为什么比浅层网络的泛化能力好？(2) 是否在所有场景下，更深层的神经网络

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭