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

神经网络的精度图波动很大。

神经网络的精度图波动很大是因为神经网络模型的训练过程中存在一些不确定性因素，导致模型在不同的训练迭代中产生不同的精度结果。这些不确定性因素包括但不限于以下几个方面：

数据集的多样性：神经网络的训练通常依赖于大量的数据样本，而不同的数据样本可能具有不同的特征分布和噪声情况，这会导致模型在不同的训练批次中学习到不同的知识表示，从而导致精度图波动。
初始权重的随机性：神经网络的训练通常从随机初始化的权重开始，而不同的初始权重会导致模型在训练过程中收敛到不同的局部最优解，从而产生不同的精度结果。
训练过程中的随机性：神经网络的训练过程中通常会使用随机梯度下降等优化算法，这些算法在每个训练迭代中会随机选择一部分样本进行训练，从而引入了随机性，导致模型在不同的训练迭代中产生不同的精度结果。
超参数的选择：神经网络的性能很大程度上依赖于超参数的选择，如学习率、批次大小、正则化参数等。不同的超参数选择可能导致模型在训练过程中表现出不同的精度波动。

针对神经网络精度图波动很大的情况，可以采取以下措施来改善模型的稳定性和精度：

数据预处理：对数据进行归一化、标准化、去噪等预处理操作，可以减少数据的噪声和不确定性，提高模型的稳定性。
模型正则化：通过添加正则化项，如L1正则化、L2正则化等，可以减少模型的过拟合现象，提高模型的泛化能力和稳定性。
学习率调整：合理选择学习率，并使用学习率衰减策略，如指数衰减、余弦退火等，可以使模型在训练过程中更加稳定。
扩充训练数据：增加训练数据的多样性和数量，可以提高模型的鲁棒性和泛化能力，减少精度波动。
模型集成：通过使用集成学习方法，如投票、平均等，将多个模型的预测结果进行组合，可以减少模型的方差，提高整体精度和稳定性。
调参优化：通过系统地调整超参数的取值范围，使用交叉验证等方法选择最优的超参数组合，可以提高模型的性能和稳定性。

腾讯云相关产品和产品介绍链接地址：

数据预处理：腾讯云数据预处理服务（https://cloud.tencent.com/product/dps）
模型正则化：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
学习率调整：腾讯云深度学习平台（https://cloud.tencent.com/product/dla）
扩充训练数据：腾讯云数据增强服务（https://cloud.tencent.com/product/daug）
模型集成：腾讯云模型集成服务（https://cloud.tencent.com/product/mis）
调参优化：腾讯云超参优化服务（https://cloud.tencent.com/product/hpo）

相关搜索:我的训练数据真的是随机的吗？错误率波动很大。使用Tensorflow的神经网络精度较低用Python计算Keras神经网络的精度提高饼图Kibana的精度图嵌入的卷积神经网络神经网络中的损失图神经网络在低密度地区的回归精度用Python实现Keras神经网络的精度计算提高神经网络输出中负类的精度 Matlab神经网络图的解释用于图像分类的图神经网络如何提高LSTM，GRU递归神经网络的分类精度如何提高卷积神经网络训练中的验证精度？如何用pytorch评估和获得前馈神经网络的精度图神经网络在PyTorch几何中的问题如何在Tensorboard中可视化图神经网络的模型图 GBM模型:为什么在h2o R中网格搜索的验证精度会波动我的keras神经网络模型中的不稳定精度和损失如何在神经网络的训练周期内获得损失和精度的数值？Seaborn的配对图在对角线图上似乎有很大的问题

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

案例 | 如何做商品信息数据分析和展现？

商品价格和人们生活息息相关，比如农产品价格波动不仅会对农民收入和农民生产积极性产生直接影响，更关乎百姓的日常生活和切身利益。经常看新闻看到农民辛苦了一个季度的农作物全都烂在地里，因为价格太低廉，或者没有销路。虽然说物价波动是一种正常的经济现象，但是在一定程度上物价稳，人心才稳，社会才稳。为保持经济平稳健康发展、保障群众生活，稳定物价，信息公开显得尤为重要。价格监测和预测是维持物价稳定的一个重要环节。而对于商品价格、产量、以及销路、销量等数据公开，建立产品价格分析、监测、预测平台可以为相关政府管理部门提供生产

09

如何做商品信息数据分析和展现？

作者：赵空暖 http://www.36dsj.com/archives/12606 商品价格和人们生活息息相关，比如农产品价格波动不仅会对农民收入和农民生产积极性产生直接影响，更关乎百姓的日常生活和切身利益。经常看新闻看到农民辛苦了一个季度的农作物全都烂在地里，因为价格太低廉，或者没有销路。虽然说物价波动是一种正常的经济现象，但是在一定程度上物价稳，人心才稳，社会才稳。为保持经济平稳健康发展、保障群众生活，稳定物价，信息公开显得尤为重要。价格监测和预测是维持物价稳定的一个重要环节。而对于商品价格、产量、

03

笔记︱风控分类模型种类（决策、排序）比较与模型评估体系（ROC/gini/KS/lift）

——————————————————————————————————————————

01

风控模型基本概念和方法

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

01

波动率预测：深度学习VS传统计量模型

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。预测已实现的波动率对于交易信号和头寸管理至关重要。诸如GARCH和HAR等计量经济学模型，以相当直观和透明的方式，根据过去的收益预测未来的波动率。然而，递归神经网络已成为一个重要的竞争对手。神经网络是一种自适应机器学习方法

05

深度学习落地移动端——Q音探歌实践(二)

接上文上一节内容里，我们大致介绍了我们对移动端可用的硬件条件的探索，接下来，我们更专注于介绍一些专注于移动端设备的机器学习框架，以及在Q音探歌，我们接入深度学习服务的一般流程。 4.移动端机器学习框架介绍深度学习算法推断要在移动端落地，需要着重衡量尺寸和性能的限制，同时又要尽可能的提供给用户较好的体验（推断速度足够快）。Q音探歌倾向使用成熟的机器学习框架快速搭建深度学习服务，我们对比了一些专注于为边缘设备带来高效深度学习的框架，包括NCNN, TensorFlow Lite, Pytorch Mobi

01

学界 | 超越何恺明等组归一化 Group Normalization，港中文团队提出自适配归一化取得突破

AI 科技评论：港中文最新论文研究表明目前的深度神经网络即使在人工标注的标准数据库中训练（例如 ImageNet），性能也会出现剧烈波动。这种情况在使用少批量数据更新神经网络的参数时更为严重。研究发现这是由于 BN（Batch Normalization）导致的。BN 是 Google 在 2015 年提出的归一化方法。至今已有 5000+次引用，在学术界和工业界均被广泛使用。港中文团队提出的 SN（Switchable Normalization）解决了 BN 的不足。SN 在 ImageNet 大规模图像识别数据集和 Microsoft COCO 大规模物体检测数据集的准确率，还超过了最近由 Facebook 何恺明等人提出的组归一化 GN（Group Normalization）。原论文请参考 arXiv:1806.10779 和代码 https://github.com/switchablenorms

01

卷积神经网络在深度学习中新发展的5篇论文推荐

Yuya Yamamoto, Juhan Nam, Hiroko Terasawa

02

卷积神经网络在深度学习中新发展的5篇论文推荐

来源：DeepHub IMBA本文约2000字，建议阅读9分钟本文为你带来CNN相关的新论文。 1. Deformable CNN and Imbalance-Aware Feature Learning for Singing Technique Classification Yuya Yamamoto, Juhan Nam, Hiroko Terasawa https://arxiv.org/pdf/2206.12230 歌唱技术是利用音色、音高和声音的其他成分的时间波动来进行富有表现力的声乐表演。它们

01

基于深度学习的视觉里程计算法

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。关键词机器视觉;深度学习;视觉里程计;注意力机制;多任务学习。

02

读者喜欢看什么文章？腾讯微信融合时间过程与内容特征寻找答案

论文：Popularity Prediction on Online Articles with Deep Fusion of Temporal Process and Content Features

03

Nature：功能神经成像作为整合神经科学的催化剂

功能性磁共振成像(fMRI)可以非侵入性地记录清醒的、有行为的人类大脑。通过跟踪不同认知和行为状态的全脑信号，或绘制与特定特征或临床状况相关的差异，功能磁共振成像提高了我们对大脑功能及其与正常和非典型行为之间联系的理解。尽管取得了这些进展，但使用功能磁共振成像的人类认知神经科学的进展与神经科学其他子领域的快速进展相对孤立，这些子领域本身也在某种程度上彼此孤立。从这个角度来看，我们认为功能磁共振成像可以很好地整合系统神经科学、认知神经科学、计算神经科学和临床神经科学的不同子领域。我们首先总结了功能磁共振成像作为一种成像工具的优点和缺点，然后重点介绍了在神经科学的每个子领域成功使用功能磁共振成像的研究实例。然后，我们为实现这一综合愿景所需的未来进展提供了路线图。通过这种方式，我们希望展示功能磁共振成像如何帮助开创神经科学跨学科一致性的新时代。

01

音视频技术开发周刊 | 277

图神经网络(GNNs)已经成为分析非欧几里得图数据的最新算法。然而，实现高效的GNN训练是一项挑战，特别是在大规模图上。本文基于一篇于2022年发表在PACT上的论文，主要介绍基于近内存NMP的大规模图神经网络训练加速器GNNear。

01

【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据

在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系。最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。

02

【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据

在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系

00

另一个角度看神经网络回归-频域分析

神经网络模型被广泛应用在回归问题中。神经网络模型的回归精度与训练数据的分布有关。本文从训练数据的频域的角度来对该问题进行分析

02

神经网络也有玻璃心？玻璃中掺入杂质模仿神经元，完成数字识别，几乎不用电力！

通过神经网络进行图像识别、智能推荐已经非常普遍。最近几年，计算能力和并行处理的增加使其成为一种非常实用的技术。然而，在核心层面，它仍然是一台数字计算机，和其他的计算机程序并无差别。并且，其对电能的要求也越来越高。

01

机器学习和深度学习中的正则化方法

之前我们介绍过在机器学习和深度学习中可能存在过拟合问题，过拟合会导致高偏差，解决办法有两个，一个是增加数据量，一个是正则化，下面我们就介绍一下正则化。

02

VLDB 2022最佳研究论文：克服通信挑战，新框架SANCUS实现GNN高效训练

近年来，图神经网络（GNN）在社交媒体、电子商务、知识图谱、推荐系统、生命科学等领域得到了广泛应用。随着图数据规模的快速增长，亟需发展分布式大规模图神经网络高效训练技术。现有的方法主要采用中心化的参数服务器（PS）架构，计算节点间的大量网络通信成为了训练的性能瓶颈。

03

【视频】LSTM神经网络架构和原理及其在Python中的预测应用|数据分享

长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系。

00

深度丨机器学习零基础？手把手教你用TensorFlow搭建图像识别系统（三）

AI科技评论按：本文是介绍用TensorFlow构建图像识别系统的第三部分。在前两部分中，我们构建了一个softmax分类器来标记来自CIFAR-10数据集的图像，实现了约25-30％的精度。因为有10个不同可能性的类别，所以我们预期的随机标记图像的精度为10％。25-30％的结果已经比随机标记的结果好多了，但仍有很大的改进空间。在这篇文章中，作者Wolfgang Beyer将介绍如何构建一个执行相同任务的神经网络。看看可以提高预测精度到多少！AI科技评论对全文进行编译，未经许可不得转载。关于前两部分

06

深度学习在图像处理中的应用趋势及常见技巧

链接 | https://zhuanlan.zhihu.com/p/147885624

01

MorphNet：更快更小的神经网络探索

深度神经网络(DNNs)在解决图像分类、文本识别和语音转录等实际关联难题方面具有显著的效果。然而，为给定的问题设计合适的DNN体系结构仍然是一项具有挑战性的任务。考虑到可能的架构有很大的搜索空间，从零开始为特定的应用程序设计一个网络在计算资源和时间方面代价可能非常昂贵。神经结构搜索和AdaNet等方法使用机器学习搜索设计空间，以找到改进的结构。另一种方法是使用现有的体系结构来解决类似的问题，并一次性地为手头的任务进行优化。

01

【斯坦福21秋季：实用机器学习中文版】2021.12.15

1、大纲：https://space.bilibili.com/1567748478/channel/collectiondetail?sid=28144 2、 3、 4、在数据分析、人工智能中不同岗

02

中科院自动化所副所长刘成林教授：模式识别，从初级感知到高级认知

感知（模式识别）是从传感数据判断模式的存在、类别，给出结构描述和关系描述的过程。目前以深度神经网络为主的模式识别方法只解决了初级感知（检测、分类）问题，属于高级感知层面的结构和关系理解已有一些研究进展但还没有解决，而结合知识进行模式识别和理解并把结果用于决策规划则属于高级认知的范畴，是未来要加强研究的方向。作者 | 杏花编辑 | 青暮今年10月12日，2021中国人工智能大会（CCAI 2021）在成都正式启幕，23位中外院士领衔，近百位学术技术精英共聚西南人工智能新高地，深入呈现人工智能学术研究，以

02

CVPR 2019：北邮提出新AI模型压缩算法，显著降低计算复杂度

人工智能在众多计算机视觉领域都取得了很大的成功，然而深度学习（Deep Learning）因其计算复杂度或参数冗余，在一些场景和设备上限制了相应的模型部署，需要借助模型压缩、优化加速、异构计算等方法突破瓶颈。

03

PNAS：浅前馈神经网络识别fMRI功能连接指纹图谱

尽管个体受试者可以通过静息态功能MRI(rsfMRI)数据计算的相关矩阵进行高精度识别，但随着扫描时间的减少，识别性能显著下降。循环神经网络可以在短持续时间(72 s)的数据段中获得较高的精度，但其被设计为使用不存在于相关矩阵中的时间特征。在这里,我们表明,浅前馈神经网络,仅仅依靠rsfMRI 相关矩阵的信息，以20s的短数据段，就可以实现先进的识别精度(≥99.5%)。

00

Kaggle大神们的致胜法宝！

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。作者 | Eniola Olaleye 选自 | medium 机器之心编译 | 张倩统计网站：https://mlcontests.com/ 作者得出了几个重要结论： 1、在所有竞赛中，Kaggle上的

04

Nature最新：下一代计算架构革命，从“全光学神经网络”开始

光纤能够以光的形式在世界范围内传输数据，成为现代电信技术的支柱。不过如果需要分析这些传输数据，要将其从光信号转换为电子信号，然后用电子设备进行处理。曾经有一段时间，光学被认为是未来最具潜力的计算技术的基础，但与电子计算机的快速进步相比，光学计算技术的竞争力明显不足。

02

【深度学习】③--神经网络细节与训练注意点

1. 权重的初始化 1.1 fine-tuning 神经网络的训练的有两种方式，第一种是自己从头到尾训练一遍；第二种是使用别人训练好的模型，然后根据自己的实际需求做改动与调整。后者我们叫做fine-tuning. 在model zoo有大量训练好的模型（不知道的可以百度一下model zoo) fine-tuning相当于站在巨人的肩膀上，使用别人已经训练好了的优秀的模型去实现自己的需求。一般分为以下两种调整方式： 1.只修改FC（全连接层），比如原来的模型是1000个类别，而你实际上只需要分2个类别，那

05

Nature neuroscience:一个庞大的连接认知神经科学和人工智能的7T fMRI数据集

在丰富的认知现象期间，对神经活动的广泛采样对于健全地理解大脑功能至关重要。在这里，我们展示了自然场景数据集(NSD)，在参与者执行连续识别任务的同时，测量了数万个富含注释的自然场景的高分辨率功能性磁共振成像反应。为了优化数据质量，我们开发并应用了新的估计和去噪技术。对NSD数据的简单视觉检查揭示了沿腹侧视觉通路的清晰表征转换。进一步证明了数据集的推理能力，我们使用NSD来建立和训练深度神经网络模型，该模型比来自计算机视觉的最先进的模型更准确地预测大脑活动。NSD还包括大量静息状态和扩散数据，使网络神经科学视角约束和增强知觉和记忆模型。鉴于其前所未有的规模、质量和广度，NSD开辟了认知神经科学和人工智能研究的新途径。

03

JCIM｜XGraphBoost：基于图神经网络提取特征的一种更好的分子特性预测模型

今天给大家介绍的是 Journal of Chemical Information and Modeling 上，一篇有关提取图神经网络特征、更好地预测分子特性的方法的文章 "XGraphBoost: Extracting Graph Neural Network-Based Features for a Better Prediction of Molecular Properties"。

02

【强基固本】漫谈什么是AI框架？

“强基固本，行稳致远”，科学研究离不开理论基础，人工智能学科更是需要数学、物理、神经科学等基础学科提供有力支撑，为了紧扣时代脉搏，我们推出“强基固本”专栏，讲解AI领域的基础知识，为你的科研学习提供助力，夯实理论基础，提升原始创新能力，敬请关注。

02

斯坦福CS231N深度学习与计算机视觉第八弹:神经网络训练与注意点

1.训练在前一节当中我们讨论了神经网络静态的部分：包括神经网络结构、神经元类型、数据部分、损失函数部分等。这个部分我们集中讲讲动态的部分，主要是训练的事情，集中在实际工程实践训练过程中要注意的一些点

03

深度学习时间序列异常检测方法

本文全面概述了深度学习用于时间序列异常检测的最新架构，提供了基于策略和模型的方法，并讨论了各种技术的优点和局限性。此外，还举例说明了近年来深度学习在时间序列异常检测中各领域的应用。

01

ICLR 2019最佳论文揭晓！NLP深度学习、神经网络压缩成焦点

两篇最佳论文分别来自Mila/加拿大蒙特利尔大学、微软蒙特利尔研究院和MIT CSAIL，主题分别集中在NLP深度学习模型和神经网络压缩。

03

深度学习「CV」学习实践指南！

深度学习的发展不仅突破了许多视觉难题，也加速了计算机视觉领域相关技术的进步。本文主要从CV数据处理、CV模型（CNN）、CV模型训练流程以及CV模型集成对计算机视觉的基础知识和基本环节进行了讲解。

03

Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析

下面是一个关于如何使用长短期记忆网络（LSTM）来拟合一个不平稳的时间序列的例子。

01

WSDM23 | 学习蒸馏图神经网络

今天介绍的是由北京邮电大学、昆士兰大学等高校机构共同发表在WSDM 2023会议上的一篇论文：

02

深度学习中的3个秘密：集成，知识蒸馏和自蒸馏

训练好的模型，用自己蒸馏一下，就能提高性能，是不是很神奇，这里面的原理到底是什么呢，这要从模型集成开始说起。

01

Baidu KDD Cup 2022 官方赛题解读，内附 Baseline 开源代码

KDD Cup（国际知识发现和数据挖掘竞赛）是 ACM 协会 SIGKDD 分会主办的数据挖掘研究领域的国际顶级赛事，从1997年开始，每年举办一次，有着数据挖掘领域「世界杯」之称，是该领域水平最高、最有影响力的顶级赛事。

02

深度神经网络基础知识

在很多情况下，可能会遇到数据不平衡问题。数据不平衡是什么意思呢？举一个简单的例子：假设你正在训练一个网络模型，该模型用来预测视频中是否有人持有致命武器。但是训练数据中只有 50 个持有武器的视频，而有 1000 个没有持有武器的视频。如果使用这个数据集完成训练的话，模型肯定倾向于预测视频中没有持有武器。针对这个问题，可以做一些事情来解决：

02

[量化投资]万字综述，94篇论文分析股市预测的深度学习技术

论文 | Stock Market Prediction via Deep Learning Techniques: A Survey

02

【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据

在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系

00

【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据

在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系

01

人工智能：卷积神经网络及YOLO算法入门详解与综述（二）

经过前六章的阅读，我从三个世界、数据法则、信息纽带、知识升华、自然智能以及人工智能六个方面对于信息科学技术与创新有了深层次的认识与了解。从对于三个世界的描述中，我了解到了物理、生物和数字世界的区别和联系。同时也明白了物质、能量与数据构成了人类所赖以生存和发展的客观和主观世界。通过这样的三个世界基本底层架构的认知，展开了之后的讨论，之后详细地了解到数据的作用，例如数据在生命的产生与演化中起着至关重要的作用，在生命体内DNA中的数据就记录了遗传的基本信息，大脑中的储存数据量与神经元细胞和它们的数量存在着正相关的关系。数据之间的快速传导使各网络之间可以不考虑地理上的联系而重新组合在一起。信息的传递和交换也变得日益频繁。而在之后对于信息的定义及作用介绍之中，通过对于信息法则的介绍以及对于信息编码过程的展示，让我明白了信息的结构、含义与效用。信息的提取与升华成为知识，我对知识的描述性与程序性、显性与隐性、公共性与私密性有了进一步的认识。由知识的不断进化集合的过程中，自然智能也逐渐彰显出其作用，自然智能也拥有其法则。无独有偶，针对于自然智能的研究也不断启发着人工智能的发展。上一章重点讲述了人工智能的历史、概念、算法以及人工智能的面临障碍。使我对于人工智能的理解有了很大提升。本章就人工智能的应用技术进行了更深层次的分析与讲解。同时本章讨论的课题如下：

03

谷歌 MorphNet：让你的神经网络更小但更快

深度神经网络（DNN）在解决图像分类、文本识别和语音转换等实际难题方面具有显著的效果。然而，为一个给定的问题设计一个合适的 DNN 体系结构仍然是一个具有挑战性的任务。考虑到架构可能需要巨大的搜索空间，从头开始为特定的应用程序设计一个网络在计算资源和时间方面花销可能非常大。神经网络架构搜索和 AdaNet 等方法利用机器学习来搜索设计空间，以便找到改进架构的方法。另一种选择是将现有的体系结构用于类似的问题，并一次性为手头的任务进行优化。

04

YOLO-v4目标检测、换脸、视频上色全部实时手机端实现，美国东北大学等提出全自动实时移动端AI框架

基于模式化稀疏度的剪枝方法能够使深度神经网络在图像识别任务中「看得」更清楚，同时减小了模型尺寸，使模型在移动端「跑得」更快，实现实时推理。

02

康奈尔博士后黄高：如何设计高效地卷积神经网络

AI 科技评论按：卷积神经网络则是深度学习最具代表性的模型，在计算机视觉和自然语言翻译等领域有着极其广泛的应用。随着精度以及复杂度的逐步提升，卷积网络的推理效率问题越来越明显的成为制约其在实际应用中的瓶颈。黄高博士，现为美国康奈尔大学计算机系博士后，主要研究领域为深度神经网络的结构设计与优化算法，以及深度学习在计算机视觉与自然语言理解中的应用；获得北京航空航天大学学士学位，清华大学控制科学与工程博士学位。其博士论文被评为中国自动化学会优秀博士学位论文以及清华大学优秀博士论文一等奖。目前已发表学术论文20余

06

全自动实时移动端AI框架 | YOLO-v4目标检测实时手机端实现

由美国东北大学王言治教授研究团队与美国威廉玛丽学院任彬教授研究团队共同提出，IBM、清华等共同研究的模式化稀疏度感知训练框架，不仅能够同时实现卷积核稀疏模式的全自动提取、模式化稀疏度的自动选择与模型训练，还证明了所提取的模式化稀疏度与理论最佳模式化稀疏度相匹配，并进一步设计了能够利用模型特点实现编译器优化的移动端推理框架，实现了大规模深度神经网络在手机移动端上的实时推理。目前，这篇文章已被 ECCV 2020 会议收录，该文章同时入选 ECCV 2020 demonstration track。

04

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