-
深度残差网络+自适应参数化ReLU激活函数（调参记录22）Cifar10~95.25%
本文在调参记录21的基础上，将残差模块的个数，从60个增加到120个，测试深度残差网络+自适应参数化ReLU激活函数在Cifar10数据集上的效果。自适应参数化ReLU激活函数的基本原理如下：Keras程序：#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Cr
-
文档太多别着急，OCR文档识别帮你一键搞定！
在社交媒体上，看到不少网友被“文档录入”工作困扰着，面对一叠纸质文档，如何在短时间内实现电子化？一个字一个字的手动录入，不仅花费的时间长，而且在录入过程中极容易出现错漏，工作效率低下，令人苦恼。有了OCR ，有了云脉文档识别工具，你可以不用苦恼了！深陷“纸山纸海”的小伙伴们看过来！不要错过啦！上图这么多文件，想要录入电脑最快的方法肯定是用文字识别工具，现在市场上有很多OCR图像文字识别工具，下面以
-
引入OCR表单识别支持自主建模，提升工作效率
日常办公中处理的文件，无非是各种合同、表单和资料文档，这些纸质文件的重要性不言而喻。数字化时代，如何快速地将一份完整的表单数据、合同文件导入到电脑中，变成一串数据，以便更好的应用和保存？OCR技术提升文字录入效率在OCR文字识别普及之前，这项工作一向是由员工自主敲字完成，员工只能对着纸张把内容一点一点录入电子文档或是电子表格，耗时长易出错效率低下。将纸质文档保存为电子文件，在当时是一项繁重而又单调
-
深入云原生 AI：基于 Alluxio 数据缓存的大规模深度学习训练性能优化
阿里云容器服务团队与 Alluxio 开源社区和南京大学顾荣老师等人通力合作寻找相关解决方案，当前已经提供 K8s 上运行模型训练数据加速的基础方案，包括容器化部署、生命周期管理以及性能优化（持续中），从而降低数据访问高成本和复杂度，进一步助力云上普惠 AI 模型训练。
-
人脸识别技术应用
人脸识别技术指利用分析比较人脸视觉特征信息进行身份鉴别的生物识别技术。生物识别技术，是依靠人体的身体特征来进行身份验证的识别技术。其因为具有不会丢失、不会遗忘、唯一性、不变性、防伪性能好和使用方便的特点，被广泛用于门禁、考勤、金融、公共安全和终端电子设备中。1、指纹识别目前应用最广泛的识别方式，主要是通过分析指纹全局和局部特征，例如脊、谷、终点、分叉点或分歧点，再经过比对来确认一个人的身份。同时，
-
深度残差网络+自适应参数化ReLU激活函数（调参记录19）Cifar10~93.96%
由于调参记录18依然存在过拟合，本文将自适应参数化ReLU激活函数中最后一层的神经元个数减少为1个，继续测试深度残差网络+自适应参数化ReLU激活函数在Cifar10数据集上的效果。同时，迭代次数从调参记录18中的5000个epoch，减少到了500个epoch，因为5000次实在是太费时间了，差不多要四天才能跑完。自适应参数化ReLU激活函数的基本原理如下：Keras程序如下：#!/usr/bi
-
深度学习在高德POI鲜活度提升中的演进
本文将对深度学习技术在高德地图落地的过程中遇到的业务难点，和经过实践检验的可行方案进行系统性的梳理总结。
-
以图书识别模型为例，新手如何从01到1 完成tensorflow模型训练
项目体验地址：http://at.iunitv.cn/效果预览：花絮：读书节马上就要到了，相信很多小伙伴嘴上说着学不动了，其实身体还是很诚实的。毕竟读书还是有很多好处的：比如让你的脑门散发智慧的光芒，再或者让你有理由说因为读书太忙了所以没有女朋友等等。所以在这个特殊的日子里，你这一年的图书我们承包了。不为别的，只为帮助在座的各位在2020年能够遇见更好的自己!今天的主题仅仅是送图书，我们也想要借助
-
人工智能-深度学习-代价函数，梯度下降和反向传播
深度学习算法最后都归结为求解最优化问题，以达到我们想让算法达到的目标，即找到最好的那个决策。为了完成某一目标，需要构造出一个“目标函数”来，然后让该函数取极大值或极小值，从而得到深度学习算法的模型参数。
-
不满足于已训练好的模型，小白怎样30分钟搞定Tensorflow模型训练？
史上最长五一假期结束，机场、火车站等地又将迎来人流高峰，此时，我们对疫情防护仍然不能有所懈怠。如何实时检测人群口罩佩戴情况从而快速发现未按要求佩戴口罩的人，对于防疫工作来说，是个头大的问题。目前AI人脸口罩检测方案已成为返工潮中众多社区、企业、商场解决该问题的首选方案，并得到了较好的应用。
-
深度残差网络+自适应参数化ReLU激活函数（调参记录18）Cifar10~94.28%
本文将残差模块的数量增加到27个。其实之前也这样做过，现在的区别在于，自适应参数化ReLU激活函数中第一个全连接层中的神经元个数设置成了特征通道数量的1/16。同样是在Cifar10数据集上进行测试。自适应参数化ReLU激活函数的基本原理如下：Keras代码如下：#!/usr/bin/env python3 # -*- coding: utf-8 
-
深度残差网络+自适应参数化ReLU激活函数（调参记录17）
在调参记录16的基础上，增加了两个残差模块，继续测试其在Cifar10数据集上的效果。自适应参数化ReLU激活函数的基本原理如下：Keras程序：#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Tue Apr
-
深度残差网络+自适应参数化ReLU激活函数（调参记录16）
在调参记录15的基础上，将第一个残差模块的卷积核数量，从16个增加到32个，同时将自适应参数化ReLU激活函数中第一个全连接层的神经元个数改成原先的1/16，继续测试其在Cifar10数据集上的效果。自适应参数化ReLU激活函数的基本原理如下：Keras程序：#!/usr/bin/env python3 # -*- coding: utf-8 -
-
深度残差网络+自适应参数化ReLU激活函数（调参记录15）
在调参记录14里，只有2个残差模块，结果遭遇欠拟合了。这次增加一个残差模块试试。自适应参数化ReLU激活函数的基本原理如下：Keras程序如下：#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Tue Apr&
-
深度残差网络+自适应参数化ReLU激活函数（调参记录14）
这次再尝试解决过拟合，把残差模块的数量减少到2个，自适应参数化ReLU激活函数里面第一个全连接层的权重数量，减少为之前的1/8，批量大小设置为1000（主要是为了省时间）。自适应参数化ReLU激活函数的基本原理如下：Keras程序如下：#!/usr/bin/env python3 # -*- coding: utf-8 -*- "&q
-
深度残差网络+自适应参数化ReLU激活函数（调参记录13）
从以往的调参结果来看，过拟合是最主要的问题。本文在调参记录12的基础上，将层数减少，减到9个残差模块，再试一次。自适应参数化ReLU激活函数原理如下：Keras程序如下：#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on
-
深度残差网络+自适应参数化ReLU激活函数（调参记录12）
本文在调参记录10的基础上，在数据增强部分添加了zoom_range = 0.2，将训练迭代次数增加到5000个epoch，批量大小改成了625，测试Adaptively Parametric ReLU（APReLU）激活函数在Cifar10图像集上的效果。Adaptively Parametric ReLU（APReLU）激活函数的原理如下：Keras程序：#!/usr/bin/env 
-
深度残差网络+自适应参数化ReLU激活函数（调参记录11）
本文在调参记录10的基础上，将残差模块的数量从27个增加到60个，测试采用Adaptively Parametric ReLU（APReLU）激活函数的深度残差网络，在Cifar10图像集上的效果。Keras程序如下：#!/usr/bin/env python3 # -*- coding: utf-8 -*- """
-
深度残差网络+自适应参数化ReLU激活函数（调参记录10）
本文在调参记录9的基础上，在数据增强部分添加了shear_range = 30，测试Adaptively Parametric ReLU(APReLU)激活函数在Cifar10图像集上的效果。Keras里ImageDataGenerator的用法见如下网址：https://fairyonice.github.io/Learn-about-ImageDataGenerator.html深度残差网络+
-
腾讯第100个开源项目：微信开源推理加速工具TurboTransformers
出品 | AI科技大本营（ID:rgznai100）4月24日，腾讯正式宣布开源Transformer推理加速工具TurboTransformers。该工具面向自然语言处理领域中Transformers相关模型丰富的线上预测场景，在微信、腾讯云、QQ看点等产品的线上服务中已经广泛应用，这也是腾讯通过Github对外开源的第100个项目。据了解，TurboTransformers的诞生源于腾讯内部对
