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

我的训练数据真的是随机的吗？错误率波动很大。

在云计算领域，训练数据的随机性和错误率波动是一个常见的问题。训练数据的随机性指的是数据集中的样本是随机选择的，这样可以更好地代表真实世界的情况。然而，由于数据的随机性和复杂性，训练数据的错误率可能会出现波动。

错误率波动很大可能是由于以下几个原因：

数据质量问题：训练数据中可能存在标注错误、噪声数据或者缺失数据等问题，这些问题会导致模型训练时出现错误率波动。
数据分布不均衡：训练数据中不同类别的样本数量不平衡，某些类别的样本数量过多或过少，会导致模型在预测时出现错误率波动。
模型复杂度不合适：模型的复杂度选择不当，可能会导致过拟合或欠拟合的问题，进而导致错误率波动。

为了解决这些问题，可以采取以下措施：

数据预处理：对训练数据进行清洗、去噪、填充缺失值等预处理操作，提高数据质量。
数据增强：通过数据增强技术，如旋转、翻转、缩放等操作，扩充训练数据集，增加数据的多样性，减少数据分布不均衡问题。
模型优化：选择合适的模型复杂度，进行模型参数调优，避免过拟合或欠拟合问题。
集成学习：通过集成多个模型的预测结果，如投票、平均等方式，减少错误率波动。

在腾讯云的产品中，可以使用腾讯云的机器学习平台（https://cloud.tencent.com/product/tiia）进行数据处理和模型训练，腾讯云的图像识别（https://cloud.tencent.com/product/ai）和自然语言处理（https://cloud.tencent.com/product/nlp）等产品可以帮助开发者进行相关任务的处理和应用。

相关搜索:2 GB真的是我最大的吗？我的Retrofit/ReactiveX方法真的异步检索数据吗？气死我了！大家真的知道cdn是做什么的吗？Django-Rest-Framwork中的Session Auth，这真的是我要做的让CSRF安全的事情吗？我需要帮助在Java中制作循环链表的int size()；方法。这就是我尝试过的。是真的吗？我可以创建一个属性值是随机生成的数字的对象吗？LSTM模型为我提供了99%的R平方，即使我的训练数据集是整体数据集的5%Seq2Seq是适合我的数据的模型吗？Google Datalab:我可以查询Google Cloud Datastore来训练模型的数据吗？数据库是我的C#应用程序的数据存储的正确选择吗？对象作为React子对象无效-我的JSON数据是错误的吗？我从不同的线程读/写pandas数据帧是安全的吗？我的R图的x轴上的值是随机的，而不是数据框中的日期我是一个独立的星火群，我们可以使用map reduce压缩相关的属性吗?如果使用的话真的可以吗？我得到的lcounter是正确的，但pcounter是随机的值，比如32751。我不认为它是未初始化的。有人能解释这个问题吗？为什么我的机器人上的数据看起来是随机重置的，没有任何更新或通知？我可以以'geotif‘的形式输入降雨数据作为DNN模型的输入数据吗？可能是Keras/ Tensorflow？我想在同一列的特定数据中进行select计算。这个是可能的吗？如果我的GUI依赖于从数据库检索的数据，异步线程是一个选项吗？我使用MNIST2.0和python3.6来训练TensoFlow数据集，准确率为99.68%，但它预测的数字是错误的

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

吴恩达《ML Yearning》| 关于学习曲线的分析&与人类级别的表现对比

MachineLearning YearningSharing 是北京科技大学“机器学习研讨小组”旗下的文献翻译项目，其原文由Deep Learning.ai 公司的吴恩达博士进行撰写。本部分文献翻译工作旨在研讨小组内部交流，内容原创为吴恩达博士，学习小组成员只对文献内容进行翻译，对于翻译有误的部分，欢迎大家提出。欢迎大家一起努力学习、提高，共同进步！

02

稳定性测试怎么做，这篇文章彻底讲透了!

而作为质量保障，在稳定性测试方面的探索也在不断演化。记得两年前我们做稳定性测试还是基于恒定的压力，7*24小时长时间运行，关注的指标无非是吞吐量TPS的抖动、响应时间的变化趋势，以及各种资源是否泄露。稳定性测试的场景设计简单，和线上实际运行有较大的出入。带来的直接结果是稳定性测试发现的问题比较有限，做完之后仍然没有特别大的信心。

03

如何使用 Google 的 AutoAugment 改进图像分类器

通过使用优化的数据增强方法，在CIFAR-10、CIFAR-100、SVHN和ImageNet上得到了目前最好的结果。您可以从这里找到和使用它们。

02

3D点云识别安全吗? 密歇根大学等提出稳健性分析数据集应对严重失真

机器之心专栏机器之心编辑部来自密歇根大学等机构的研究者提出了一个新颖且全面的数据集 ModelNet40-C ，以系统地测试以及进一步提高点云识别模型对于失真的稳健性。 3D 点云广泛应用于 3D 识别技术中。一些特别的应用领域往往对 3D 点云识别的安全性有更高的要求，如自动驾驶、医疗图像处理等。学界目前对点云安全性的研究集中在对抗攻击的稳健性。与对抗性攻击相比, 自然的失真和扰动在现实世界中更为常见。然而目前还没有关于 3D 点云针对失真的稳健性的系统性研究。论文地址: https://arxiv

01

3D点云识别安全吗? 学界提出健壮性分析数据集：ModelNet40-C

论文：Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions

02

Logistic回归算法及Python实现

本文将介绍机器学习算法中的Logistic回归分类算法并使用Python进行实现。会接触到**最优化算法**的相关学习。

机器学习-2：MachineLN之模型评估

很多文章其实都是将书中的东西、网上课程、或者别人的论文的东西总结一下，发出来，但是个人感觉还是加入个人的理解，然后加上一些工程中遇到的问题一起发出来会更好些。

02

Logistic 回归算法及Python实现

由于某些不可抗拒的原因，LaTeX公式无法正常显示. 点击这里查看PDF版本 Github: https://github.com/yingzk/MyML 博客: https://www.yingjoy.cn/ 1. 前言本文将介绍机器学习算法中的Logistic回归分类算法并使用Python进行实现。会接触到最优化算法的相关学习。 2. 算法原理什么是回归？简单来说，回归就是用一条线对N多个数据点进行拟合或者按照一定的规则来划分数据集，这个拟合的过程和划分的过程就叫做回归。 Logistic 回归

[DeeplearningAI 笔记]第二章 1.1-1.3 偏差/方差/欠拟合/过拟合/训练集/验证集/测试集

"欠拟合":训练集中错误率相对比较高,但是验证集的错误率和训练集中错误率差别不大.偏差很大.

01

Macheine Learning Yearning学习笔记(五)

Chapter 28、Diagnosing bias and variance: Learning curves(诊断偏差和方差：学习曲线)

04

学界 | 谷歌大脑提出Adversarial Spheres：从简单流形探讨对抗性样本的来源

选自arXiv 机器之心编译参与：Nurhachu Null、蒋思源近日，Ian Goodfellow 等人提出对抗性同心高维球，他们利用数据流形的维度来研究输入维度的改变对神经网络泛化误差的影响，并表明神经网络对小量对抗性扰动的脆弱性是测试误差的合理反应。已经有大量工作证明，标准图像模型中存在以下现象：绝大多数从数据分布中随机选择的图片都能够被正确分类，但是它们与那些被错误分类的图片在视觉上很类似（Goodfellow et al., 2014; Szegedy et al., 2014）。这种误

07

机器学习算法选择

对于你的分类问题，你知道应该如何选择哪一个机器学习算法么？当然，如果你真的在乎精度（accuracy），最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“good enough”的算法来解决你的问题，或者这里有些技巧可以参考，因为其中会有一些基本准则。

03

学界｜北京大学王立威教授：机器学习理论的回顾与展望（一）

本文由奕欣，夏睿联合编辑。 AI科技评论按：本文根据王立威教授在中国人工智能学会AIDL第二期人工智能前沿讲习班＊机器学习前沿所作报告《机器学习理论：回顾与展望》编辑整理而来，在未改变原意的基础上略作

[翻译]VGGNET分类任务——VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

VGGNet于2014年提出，在文献VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 中有详细介绍。

09

机器学习各类算法比较

导语：机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“足够

机器学习算法再比较

原文地址：http://www.csuldw.com/2016/02/26/2016-02-26-choosing-a-machine-learning-classifier/ 本文主要回顾下几个常用算法的适应场景及其优缺点！机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如

04

常用的机器学习算法比较

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“足够好”的算法来解决你的问题，或者这里有些技巧可以参考，下面来分析下各个算法的优缺点，基于算法的优缺点，更易于我们去选择它。

02

机器学习算法比较

本文主要回顾下几个常用算法的适应场景及其优缺点！（提示：部分内容摘自网络）。机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确

09

为什么机器学习应用交易那么难（中）

此系列也引起大家得激烈讨论，大家也一直期待后续的文章。今天《为什么机器学习应用交易那么难（中）》要来啦！赶快阅读吧！

03

吴恩达高徒语音专家Awni Hannun：序列模型Attention Model中的问题与挑战

【导读】注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。本文以序列模型训练为例，深入浅出地介绍了注意力机制在应用中的两个重要问题：一是解决训练和生成时输入数据分布不一致；二是训练效率，并给出了相应的解决方法。作者是Awni Hannun，斯坦福大学在读博士，师从吴恩达，曾经休学两年跟随导师吴恩达在百度硅谷实验室工作，是百度Deep Speech语音识别项目主要参与者。专知内容组整理编

06

写给开发者的机器学习指南（六）

在本节中，我们为您介绍一组在实际环境中的机器学习算法。这些例子的想法是让你开始使用机器学习算法，而不深入解释底层算法。我们只专注于这些算法的特征方面，如何验证您的实现，最后尝试让您意识到常见的陷阱。

02

稳定性测试怎么做_stata稳定性检验怎么做

而作为质量保障，在稳定性测试方面的探索也在不断演化。记得两年前我们做稳定性测试还是基于恒定的压力，7*24小时长时间运行，关注的指标无非是吞吐量TPS的抖动、响应时间的变化趋势，以及各种资源是否泄露。稳定性测试的场景设计简单，和线上实际运行有较大的出入。带来的直接结果是稳定性测试发现的问题比较有限，做完之后仍然没有特别大的信心。

02

集成算法｜随机森林分类模型

随机森林是非常具有代表性的Bagging集成算法，它的所有基评估器都是决策树，分类树组成的森林就叫做随机森林分类器，回归树所集成的森林就叫做随机森林回归器。

05

机器学习算法比较

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“足够好”的算法来解决你的问题，或者这里有些技巧可以参考，下面来分析下各个算法的优缺点，基于算法的优缺点，更易于我们去选择它。

03

机器学习算法比较

来自：D.W's Notes - Machine Learning 作者：刘帝伟链接：http://www.csuldw.com/2016/02/26/2016-02-26-choosing-a-machine-learning-classifier/ 本文主要回顾下几个常用算法的适应场景及其优缺点！机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，G

[白话解析] 通俗解析集成学习之bagging，boosting & 随机森林

本文将尽量使用通俗易懂的方式，尽可能不涉及数学公式，而是从整体的思路上来看，运用感性直觉的思考来解释集成学习。并且从名著中延伸了具体应用场景来帮助大家深入这个概念。

03

Implicit Language Model in LSTM for OCR 学习笔记

在本文中，我们试图改进对LSTMs的科学理解，特别是语言模型和LSTM中存在的字形模型之间的相互作用。我们称这种内部语言模型为隐式语言模型（隐式LM）。本文的贡献：1）在受控条件下建立隐式LM的存在; 2）通过找出它使用的上下文有多少个字符来描述隐式LM的本质。我们所描述的隐式LM与上面讨论的文献19、20中的语言模型有所不同，因为学习语言模型的背景和要求不同：OCR明确要求学习字形模型而不是语言模型。最近的关于使用LSTM进行OCR的基准文件22并没有涉及这一点，而且据我们所知，文献中也没有涉及。

04

深层神经网络参数调优（一） ——方差、偏差与正则化

深层神经网络参数调优（一）——方差、偏差与正则化（原创内容，转载请注明来源，谢谢）一、概述现在来到ng【深层神经网络参数调优】专题的学习，这部分主要是对深度学习过程中，需要涉及到的参数、超参数的调优的方法与技巧。二、样本集的使用 1、三个集在深度学习中，为了检验算法的效果，通常会设置训练集、验证集和测试集。训练集用来训练分类器，得到最低代价函数情况下，各层网络对应的w、b。验证集用来调试的，目的是为了获得最优的超参数，如学习速率α、正则化因子λ等。测试集用来验证训练集得到的结果，确认错

08

机器器学习算法系列列（1）：随机森林随机森林原理随机森林的生成随机采样与完全分裂随机森林的变体

顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。我们可以这样⽐比喻随机森林算法：每一棵决策树就是一个精通于某一个窄领域的专家（因为我们从M个特征中选择m个让每一棵决策树进行行学习），这样在随机森林中就有了了很多个精通不不同领域的专家，对一个新的问题（新的输⼊入数据），可以用不不同的角度去看待它，最终由各个专家，投票得到结果。随机森林算法有很多优点：

02

样本不平衡数据集防坑骗指南

不管你在数据科学的哪一个方向研究，可能数据不平衡(imbalanced data)都是一个常见的问题。很多人总是会强调极端状况下的数据不平衡，如医疗数据，犯罪数据等。但在实际中，更多的不平衡并不会显得那么极端。如果你关注过kaggle上的比赛冠军的分享，你会发现观察数据尤其是了解不平衡情况经常会是第一步（当然还会有其他的预处理和分析）。

01

《机器学习》学习笔记（二）——模型评估与选择

错误率(error rate)：分类错误的样本占样本总数的比例精度(accuracy)：1 - 错误率误差(error)：学习器的实际预测输出与样本的真实输出之间的差异错误率和精度相反 (错误率+精度=1) 训练误差(training error)(即经验误差(empirical error))：学习器在训练集上的误差泛化误差(generalization error)：在新样本（即测试样本）上的误差

01

一文读懂机器学习分类模型评价指标

解决一个机器学习问题都是从问题建模开始，首先需要收集问题的资料，深入理解问题，然后将问题抽象成机器可预测的问题。在这个过程中要明确业务指标和模型预测目标，根据预测目标选择适当指标用于模型评估。接着从原始数据中选择最相关的样本子集用于模型训练，并对样本子集划分训练集和测试集，应用交叉验证的方法对模型进行选择和评估。

02

规则化和模型选择（Regularization and model selection）

1 问题模型选择问题：对于一个学习问题，可以有多种模型选择。比如要拟合一组样本点，可以使用线性回归，也可以用多项式回归。那么使用哪种模型好呢（能够在偏差和方差之间达到平衡最优）？

04

规则化和模型选择（Regularization and model selection）

1 问题模型选择问题：对于一个学习问题，可以有多种模型选择。比如要拟合一组样本点，可以使用线性回归，也可以用多项式回归。那么使用哪种模型好呢（能够在偏差和方差之间达到平衡最优）？

07

简单的解释，让你秒懂“最优化” 问题

本文介绍了机器学习领域的一些基础概念和算法，包括监督学习、无监督学习、半监督学习、强化学习等。文章还介绍了机器学习领域的一些重要模型和算法，如神经网络、支持向量机、随机森林、贝叶斯网络等。此外，文章还探讨了机器学习的应用领域，包括计算机视觉、自然语言处理、语音识别等。

07

AdaBoost (Adaptive Boosting) 自适应增强简单理解算法与matlab实现

AdaBoost学习算法用于提高简单学习算法的分类性能。它通过组合一组弱分类函数（具有较高分类错误的弱分类器）来形成更强的分类器。最后的强分类器采用弱分类器加阈值的加权组合的形式。

03

ImageNet Classification with Deep Convolutional Neural Networks

我们训练了一个大型的深度卷积神经网络，将ImageNet lsvprc -2010竞赛中的120万幅高分辨率图像分成1000个不同的类。在测试数据上，我们实现了top-1名的错误率为37.5%，top-5名的错误率为17.0%，大大优于之前的水平。该神经网络有6000万个参数和65万个神经元，由5个卷积层和3个完全连接的层组成，其中一些卷积层之后是最大汇聚层，最后是1000路softmax。为了使训练更快，我们使用了非饱和神经元和一个非常高效的GPU实现卷积运算。为了减少全连通层的过拟合，我们采用了最近开发的正则化方法“dropout”，该方法被证明是非常有效的。在ILSVRC-2012比赛中，我们也加入了该模型的一个变体，并获得了15.3%的前5名测试错误率，而第二名获得了26.2%的错误率。

04

教程 | 如何使用Elixir语言实现深度学习?剖析多层神经网络的构建和训练

选自automating the future 机器之心编译参与：Jane W、吴攀在这篇文章中，作者们使用 Elixir 编程语言创建一个标准的 3x3 深度学习神经网络。希望读者能通过阅读本文而对先进的遗传编程（genetic programming）和 Elixir 中新的人工智能技术有更深的理解。开篇语研究深度学习如从事巫术般疯狂。人们必须花费相当多的时间理解技术，同时在创造真正自动化的东西时考虑其优点和缺点，还要在半夜醒来时担心自动化将对我们的社会造成多大的颠覆。创建你的第一个神经网络

牛客网机器学习题目

SVM核函数：线性核函数、多项式核函数、径向基核函数、高斯核函数、幂指数核函数、拉普拉斯核函数、ANOVA核函数、二次有理核函数、多元二次核函数、逆多元二次核函数以及Sigmoid核函数，傅里叶核，样条核参考SVM核函数

03

转录组分析 | 使用FastQC进行数据质控

在拿到测序数据后，我们首先要了解手中数据的质量，因为测序的质量直接影响下游分析的准确性，所以在我们进行转录组数据分析前，第一步应该判断测序质量的好坏。

03

ImageNet验证集6%的标签都是错的，MIT：十大常用数据集没那么靠谱

我们平时用的机器学习数据集存在各种各样的错误，这是一个大家都已经发现并接受的事实。为了提高模型准确率，有些学者已经开始着手研究这些数据集中的错误，但他们的研究主要集中在训练集，没有人系统研究过机器学习测试集的误差。

05

100天搞定机器学习|Day22 机器为什么能学习？

假设有一个罐子装满了橙色和绿色的球，为了估计罐子中橙色和绿色的比例，我们随机抓一把球，称为样本：

02

【机器学习笔记之四】Adaboost 算法

本文结构：什么是集成学习？为什么集成的效果就会好于单个学习器？如何生成个体学习器？什么是 Boosting? Adaboost 算法？什么是集成学习集成学习就是将多个弱的学习器结合起来组成

06

Adaboost 算法

本文结构：什么是集成学习？为什么集成的效果就会好于单个学习器？如何生成个体学习器？什么是 Boosting? Adaboost 算法？什么是集成学习集成学习就是将多个弱的学习器结合起来组成

07

【AIDL专栏】王立威：机器学习理论的回顾与展望(附PPT下载)

“人工智能前沿讲习班”(AIDL)由中国人工智能学会主办，旨在短时间内集中学习某一领域的基础理论、最新进展和落地方向，并促进产、学、研相关从业人员的相互交流。对于硕士、博士、青年教师、企事业单位相关从业者，预期转行AI领域的爱好者均具有重要的意义。2018年AIDL活动正在筹备，敬请关注公众号获取最新消息。

02

回顾经典: AlexNet, CaffeNet — Winner of ILSVRC 2012

最近和同事交流很多来参加面试的应聘者的情况，很多都是介绍自己用了什么来做什么，但是对于内部的原理，都兵没有深入研究，现在深度学习框架都提供了非常便利的API，你可以轻松实现和搭建基础的网络，甚至可以直接照搬开源代码跑。

01

03.结构化机器学习项目 W2.机器学习策略(2)

几乎所有的机器学习程序可能会有50个不同的方向可以前进，并且每个方向都是相对合理的，可以改善你的系统？如何集中精力

02

【机器学习实战】第5章 Logistic回归

本文介绍了如何使用机器学习算法对马匹进行疾病预测。首先介绍了数据集构建和预处理，然后详细阐述了基于逻辑回归的疾病预测模型。最后，通过实验证明了该模型在预测马匹疾病方面的可行性。

07

开发者自述：我是如何理解决策树的

前言最近学习了一段时间的决策树算法，但是感觉并没有达到自己预期的想法，所以这几天参考了一些决策树方面的资料，来将自己的学习的过程的笔记记录在这里，来加深理解和请教别人指出错误。决策树的原理决策树又叫做 decision tree，这个是一种比较简单但是又得到广泛应用的分类器的一种形式。我们一般都是通过训练的数据来搭建起决策树的模型。通过这个模型，我们可以高效的对于未知的数据进行归纳分类，类似于我们的聚类算法。应用决策树有如下几个优点： 1：决策树的模型的可读性比较好，具有很强的可以描述性，有

04

深度学习进阶学习LeNet、AlexNet、GoogLeNet、VGG、ResNetInception-ResNet-v2

2006年Hinton他们的Science Paper再次引起人工神经网络的热潮，当时提到，2006年虽然Deep Learning的概念被提出来了，但是学术界的大家还是表示不服。当时有流传的段子是Hinton的学生在台上讲paper时，台下的机器学习大牛们不屑一顾，质问你们的东西有理论推导吗？有数学基础吗？搞得过SVM之类吗？回头来看，就算是真的，大牛们也确实不算无理取闹，是骡子是马拉出来遛遛，不要光提个概念。

01

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