首頁(yè)　 資訊　 商機(jī) 　 下載　 拆解 　 高校　 招聘 　 雜志　 會(huì)展　 EETV　 百科 　 問(wèn)答　 電路圖　 工程師手冊(cè) 　 Datasheet　 100例 　 活動(dòng)中心　 E周刊閱讀 　 樣片申請(qǐng)
EEPW首頁(yè) >> 主題列表 >> 深度學(xué)習(xí)

深度神經(jīng)網(wǎng)絡(luò)（DNN）模型與前向傳播算法

  • 　　深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，以下簡(jiǎn)稱DNN）是深度學(xué)習(xí)的基礎(chǔ)，而要理解DNN，首先我們要理解DNN模型，下面我們就對(duì)DNN的模型與前向傳播算法做一個(gè)總結(jié)?！　?.從感知機(jī)到神經(jīng)網(wǎng)絡(luò)　　在感知機(jī)原理小結(jié)中，我們介紹過(guò)感知機(jī)的模型，它是一個(gè)有若干輸入和一個(gè)輸出的模型，如下圖:　　輸出和輸入之間學(xué)習(xí)到一個(gè)線性關(guān)系，得到中間輸出結(jié)果：　　z=∑i=1mwixi+bz=∑i=1mwixi+b　　接著是一個(gè)神經(jīng)元激活函數(shù):　　sign(z)={?11z<0z≥0sign(z)={
  • 關(guān)鍵字： DNN  深度神經(jīng)網(wǎng)絡(luò)  深度學(xué)習(xí)  

什么是DNN？它對(duì)AI發(fā)展意味著什么

  • 為了讓AI加速器在最短延遲內(nèi)達(dá)到最佳精準(zhǔn)度，特別是在自動(dòng)駕駛車中，TFLOP已經(jīng)成為許多所謂大腦芯片的關(guān)鍵指針，然而，有專家認(rèn)為這種野蠻處理方式并不可持續(xù)…… 為了讓人工智能(AI)加速器在最短延遲內(nèi)達(dá)到最佳精準(zhǔn)度，特別是在自動(dòng)駕駛車(AV)中，TFLOP(兆次浮點(diǎn)運(yùn)算)已經(jīng)成為許多所謂大腦芯片的關(guān)鍵指針。這場(chǎng)競(jìng)賽的選手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉(Tesla)的全自動(dòng)駕駛(FSD)計(jì)算機(jī)芯片，以及NXP-Kalray芯片。然而，有專家認(rèn)為這種野蠻處理方式
  • 關(guān)鍵字： DNN  深度神經(jīng)網(wǎng)絡(luò)  深度學(xué)習(xí)  

深度學(xué)習(xí)干貨｜基于Tensorflow深度神經(jīng)網(wǎng)絡(luò)(DNN)詳解

  • 深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，簡(jiǎn)稱DNN)是深度學(xué)習(xí)的基礎(chǔ)，想要學(xué)好深度學(xué)習(xí)，首先我們要理解DNN模型。DNN的基本結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)是基于感知機(jī)的擴(kuò)展，而DNN可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)DNN其實(shí)也基本一樣，DNN也叫做多層感知機(jī)(MLP)。DNN按不同層的位置劃分，神經(jīng)網(wǎng)絡(luò)層可以分為三類，輸入層，隱藏層和輸出層，如下圖示例，一般來(lái)說(shuō)第一層是輸入層，最后一層是輸出層，而中間的層數(shù)都是隱藏層。網(wǎng)絡(luò)結(jié)構(gòu)層與層之間是全連接的，也就是說(shuō)，第i層的任意一個(gè)神經(jīng)
  • 關(guān)鍵字： DNN  深度神經(jīng)網(wǎng)絡(luò)  深度學(xué)習(xí)  

大聯(lián)大世平集團(tuán)推出基于Cambricon產(chǎn)品的AI明廚亮灶方案

  • 致力于亞太地區(qū)市場(chǎng)的領(lǐng)先半導(dǎo)體元器件分銷商---大聯(lián)大控股宣布，其旗下世平推出基于寒武紀(jì)（Cambricon）MLU220處理器的AI明廚亮灶方案。 圖示1-大聯(lián)大世平基于Cambricon產(chǎn)品的AI明廚亮灶方案的展示板圖 食品安全問(wèn)題關(guān)系著千家萬(wàn)戶的健康。為了保障人們的食品安全，自2014年2月起，國(guó)家食藥監(jiān)總局就開(kāi)始在各地餐飲業(yè)開(kāi)展明廚亮灶工作。倡導(dǎo)餐飲服務(wù)提供者通過(guò)采用透視明檔（透明玻璃窗或玻璃幕墻）、視頻顯示、隔斷矮墻、開(kāi)放式廚房或設(shè)置窗口等多種形式，對(duì)餐飲食品加工過(guò)程進(jìn)行公示
  • 關(guān)鍵字： AI  深度學(xué)習(xí)  廚房  

使用深度學(xué)習(xí)進(jìn)行地下電纜系統(tǒng)預(yù)測(cè)性維護(hù)

  • 本文敘述如何使用深度學(xué)習(xí)來(lái)進(jìn)行地下電纜系統(tǒng)的預(yù)測(cè)性維護(hù)。利用深度學(xué)習(xí)模型能夠接近實(shí)時(shí)地執(zhí)行分類，讓現(xiàn)場(chǎng)的技術(shù)人員可以在擷取到數(shù)據(jù)后立即看到結(jié)果，并且在必要時(shí)重新執(zhí)行測(cè)試。地下電纜系統(tǒng)與陸上電線路網(wǎng)相比，雖然對(duì)暴風(fēng)雨、閃電、野火、冰暴、以及其他不利天氣狀況較不敏感；不過(guò)，地下電纜維修成本較高，很難準(zhǔn)確指出故障位置及進(jìn)行修復(fù)。如果電纜的瑕疵未被偵測(cè)出來(lái)，可能導(dǎo)致停電和對(duì)大眾造成危險(xiǎn)。根據(jù)IEEE數(shù)據(jù)顯示，大約90%的地下電纜系統(tǒng)故障都和局部放電（partial discharge；PD）有關(guān)，也就是電纜內(nèi)的電
  • 關(guān)鍵字： 深度學(xué)習(xí)  地下電纜  預(yù)測(cè)性維護(hù)  

Graphcore攜手百度飛槳 共建全球軟硬AI生態(tài)

  • 近日，Graphcore?（擬未）在Wave Summit 2022深度學(xué)習(xí)開(kāi)發(fā)者峰會(huì)上正式宣布加入硬件生態(tài)共創(chuàng)計(jì)劃。Graphcore和百度飛槳將基于該共創(chuàng)計(jì)劃共同研發(fā)技術(shù)方案，協(xié)同定制飛槳框架，建設(shè)模型庫(kù)與場(chǎng)景范例，以“IPU+飛槳”為產(chǎn)業(yè)賦能，推動(dòng)產(chǎn)業(yè)AI化轉(zhuǎn)型和升級(jí)。目前，Poplar? SDK 2.3與百度飛槳2.3已經(jīng)完全集成，相關(guān)代碼將于今日在百度飛槳的GitHub上線供開(kāi)發(fā)者獲取。百度飛槳是中國(guó)首個(gè)自主研發(fā)、功能豐富、開(kāi)源開(kāi)放的產(chǎn)業(yè)級(jí)深度學(xué)習(xí)平臺(tái)。截至2022年5月，百度飛槳已經(jīng)匯聚了47
  • 關(guān)鍵字： 深度學(xué)習(xí)  AI  

Imagination和Visidon聯(lián)合開(kāi)發(fā)基于深度學(xué)習(xí)的超分辨率技術(shù)

  • Imagination Technologies與Visidon Oy聯(lián)合推動(dòng)移動(dòng)、數(shù)字電視和汽車市場(chǎng)的嵌入式應(yīng)用向基于深度學(xué)習(xí)的超分辨率過(guò)渡。憑借這項(xiàng)人工智能（AI）技術(shù)，用戶可以通過(guò)先進(jìn)的算法將低分辨率圖像和視頻的分辨率提高到4K和8K。IMG Series4 NNA能夠在系統(tǒng)級(jí)芯片嚴(yán)格的功耗和散熱要求下，以更高的效率實(shí)時(shí)完成此類苛刻的流程。Imagination的IMG Series4神經(jīng)網(wǎng)絡(luò)加速器（NNA）通過(guò)其Tensor Tiling技術(shù)為先進(jìn)的AI圖像處理軟件帶來(lái)強(qiáng)大的計(jì)算性能與領(lǐng)先的能效。
  • 關(guān)鍵字： 深度學(xué)習(xí)  超分辨率  

使用深度學(xué)習(xí)進(jìn)行海上雷達(dá)數(shù)據(jù)質(zhì)量管控自動(dòng)化

  • 本文說(shuō)明Miros公司設(shè)計(jì)的一套Wavex傳感器系統(tǒng)，如何精準(zhǔn)測(cè)量波浪、洋流、以及對(duì)水航速，并使用深度學(xué)習(xí)網(wǎng)絡(luò)來(lái)自動(dòng)辨識(shí)測(cè)量下取得的雷達(dá)數(shù)據(jù)，進(jìn)一步提升Wavex系統(tǒng)的表現(xiàn)與可靠度。對(duì)海上船只而言，海浪、洋流、對(duì)水航速（speed through water）等量測(cè)數(shù)據(jù)的準(zhǔn)確性，對(duì)于船只執(zhí)行各種任務(wù)，如燃料優(yōu)化、或在受限區(qū)域內(nèi)導(dǎo)航等，具有很高的價(jià)值。舉例來(lái)說(shuō)，對(duì)水航速量測(cè)錯(cuò)誤，即使只是一些微小誤差，就有可能對(duì)船艦效能的計(jì)算帶來(lái)重大錯(cuò)誤，讓每天的燃料使用量多出好幾十噸。傳統(tǒng)上，對(duì)水航速是透過(guò)水下的測(cè)速儀器來(lái)
  • 關(guān)鍵字： 深度學(xué)習(xí)  海上雷達(dá)  自動(dòng)化  Miros  Wavex  

2021年AI關(guān)鍵趨勢(shì)，AI芯片初創(chuàng)公司可能發(fā)生并購(gòu)

  • 人工智能（AI）和機(jī)器學(xué)習(xí)仍然是技術(shù)決策者、行業(yè)人士和投資者關(guān)注的重點(diǎn)。標(biāo)普全球市場(chǎng)財(cái)智（S&P Intelligence）2020 7月發(fā)布的調(diào)查顯示，有58%的公司和組織預(yù)計(jì)新冠大流行會(huì)對(duì)他們現(xiàn)有的AI計(jì)劃產(chǎn)生負(fù)面影響，還有19%的公司和組織表示新冠大流行導(dǎo)致他們停止了AI項(xiàng)目。與此同時(shí)，也有75%的公司和組織表示COVID-19促進(jìn)了他們新的AI計(jì)劃。最近發(fā)布的2021 AI/ML用例調(diào)查顯示情況發(fā)生了變化，有86%參與調(diào)查的人表示新冠大流行已經(jīng)或?qū)?dǎo)致其所在的組織投資于新的AI計(jì)劃。由于大
  • 關(guān)鍵字： 人工智能  機(jī)器學(xué)習(xí)  深度學(xué)習(xí)  數(shù)據(jù)科學(xué)  

基于目標(biāo)檢測(cè)的智能垃圾分類垃圾桶的設(shè)計(jì)

  • 本設(shè)計(jì)使用目標(biāo)檢測(cè)識(shí)別進(jìn)行分類垃圾以代替?zhèn)鹘y(tǒng)的人工分類。本設(shè)計(jì)旨在用前沿的YOLOv3模型去實(shí)現(xiàn)準(zhǔn)確的垃圾識(shí)別。設(shè)計(jì)中的模型利用Anaconda搭建環(huán)境變量，并在Pycharm軟件上運(yùn)行模型。YOLOv3模型實(shí)驗(yàn)所需的數(shù)據(jù)集來(lái)自華為云人工智能大賽提供的垃圾分類數(shù)據(jù)集，共有44種垃圾類別，圖片數(shù)為1.9萬(wàn)張。經(jīng)測(cè)試發(fā)現(xiàn)YOLOv3模型能夠快速而又準(zhǔn)確地識(shí)別出44種垃圾，隨后通過(guò)藍(lán)牙發(fā)出信號(hào)給STM32單片機(jī)部分，單片機(jī)通過(guò)控制舵機(jī)旋轉(zhuǎn)后完成全自動(dòng)化垃圾分類。
  • 關(guān)鍵字： 智能分類垃圾桶  環(huán)境保護(hù)  STM32單片機(jī)  深度學(xué)習(xí)  TensorFlow  YOLOv3  202202  

TinyML前進(jìn)物聯(lián) MCU深度學(xué)習(xí)成為可能

  • 物聯(lián)網(wǎng)正加速帶動(dòng)人工智能走向終端裝置，我們可以看到市場(chǎng)繼續(xù)保持積極的成長(zhǎng)趨勢(shì)。市場(chǎng)也期待有更多的人工智能物聯(lián)網(wǎng)設(shè)備在市場(chǎng)上普及，并深入包括消費(fèi)性物聯(lián)網(wǎng)設(shè)備、工業(yè)應(yīng)用和網(wǎng)絡(luò)、還有與視覺(jué)、語(yǔ)音和聲音影像相關(guān)的邊緣應(yīng)用。AI的應(yīng)用案例正在推動(dòng)著龐大的物聯(lián)網(wǎng)運(yùn)算需求，而這背后都需要透過(guò)MCU來(lái)釋放這些運(yùn)算能量。我們也可以看出市場(chǎng)上的MCU解決方案基本上有兩大發(fā)展趨勢(shì)，用以支持新一代的機(jī)器學(xué)習(xí)（Machine Learning；ML）運(yùn)算能力。一是提高M(jìn)CU本身的運(yùn)算性能及能力，例如從Arm Cortex M0+提
  • 關(guān)鍵字： TinyML  MCU  深度學(xué)習(xí)  

新一代汽車深度學(xué)習(xí)架構(gòu)趨勢(shì)

  • 下一代汽車的車輛電子系統(tǒng)正在以電動(dòng)化和自動(dòng)駕駛為中心發(fā)展。圖中描述了車輛電控系統(tǒng)的演進(jìn)?，F(xiàn)有的車輛電子控制系統(tǒng)中，由于每個(gè)功能域由駕駛員直接控制，因此每個(gè)域之間的通信是松散耦合的，并且為了不受其它域的影響，域之間是相對(duì)獨(dú)立的。另一方面，自動(dòng)駕駛時(shí)代的電控系統(tǒng)是由一個(gè)名為Vehicle computer的中央控制系統(tǒng)來(lái)代替駕駛員來(lái)控制自動(dòng)駕駛功能，各域之間的通信會(huì)相對(duì)多一些（緊耦合），域之間的獨(dú)立性會(huì)低一些。此外，隨著控制程序的規(guī)模呈指數(shù)級(jí)增長(zhǎng)，安全的OTA（Over the air）變得至關(guān)重要，OTA的
  • 關(guān)鍵字： 車輛  電子系統(tǒng)  深度學(xué)習(xí)  

賽昉科技重磅發(fā)布全球首款基于RISC-V人工智能視覺(jué)處理平臺(tái) ——驚鴻7100

  • 近日- RISC-V處理器IP供應(yīng)商賽昉科技有限公司，發(fā)布全球首款基于RISC-V的人工智能視覺(jué)處理平臺(tái)——驚鴻7100。“驚鴻”一詞取自成語(yǔ)“驚鴻一瞥”，語(yǔ)義雙關(guān)：“驚鴻7100”的推出，不僅驚艷了世界，還以它優(yōu)異的性能，造福于世界。該平臺(tái)是全球首款基于RISC-V集深度學(xué)習(xí)、圖像處理、語(yǔ)音識(shí)別、機(jī)器視覺(jué)為一體的多功能平臺(tái)，由賽昉科技獨(dú)立自主開(kāi)發(fā)，可廣泛應(yīng)用于自動(dòng)駕駛、智能無(wú)人機(jī)、公共安全、交通管理、智能家電、視覺(jué)掃地機(jī)器人、工業(yè)機(jī)器人等智能應(yīng)用領(lǐng)域?！绑@鴻7100”的出現(xiàn)，標(biāo)志著RISC-V在智能音視
  • 關(guān)鍵字： 驚鴻7100  RISC-V指令集  深度學(xué)習(xí)  圖像處理  語(yǔ)音識(shí)別  機(jī)器視覺(jué)  

深度學(xué)習(xí)在視覺(jué)搜索和匹配中的應(yīng)用

  • 導(dǎo)讀通過(guò)使用預(yù)訓(xùn)練網(wǎng)絡(luò)在遙感圖像應(yīng)用中減少對(duì)標(biāo)注數(shù)據(jù)的需求。深度學(xué)習(xí)是一個(gè)了不起的方法，用于遙感數(shù)據(jù)集，如衛(wèi)星或航空照片的目標(biāo)檢測(cè)和分割/匹配。然而，就像深度學(xué)習(xí)的許多其應(yīng)用場(chǎng)景一樣，獲得足夠的帶標(biāo)注的訓(xùn)練數(shù)據(jù)可能會(huì)耗費(fèi)大量的時(shí)間。在這篇文章中，我將介紹一些我們的工作，即使用預(yù)先訓(xùn)練好的網(wǎng)絡(luò)來(lái)在遙感數(shù)據(jù)的目標(biāo)檢測(cè)任務(wù)中避免標(biāo)注大型訓(xùn)練數(shù)據(jù)集的大量繁瑣工作。2019年9月中旬，我參加了北歐遙感會(huì)議。從許多會(huì)談中可以明顯看出，深度學(xué)習(xí)已經(jīng)進(jìn)入許多遙感專家的工具箱。觀眾們對(duì)這個(gè)話題的興趣似乎很大，他們討論了在各
  • 關(guān)鍵字： 深度學(xué)習(xí)  

分析深度學(xué)習(xí)背后的數(shù)學(xué)思想

  • 深度神經(jīng)網(wǎng)絡(luò)（DNN）本質(zhì)上是通過(guò)具有多個(gè)連接的感知器而形成的，其中感知器是單個(gè)神經(jīng)元?？梢詫⑷斯ど窠?jīng)網(wǎng)絡(luò)（ANN）視為一個(gè)系統(tǒng)，其中包含沿加權(quán)路徑饋入的一組輸入。然后處理這些輸入，并產(chǎn)生輸出以執(zhí)行某些任務(wù)。隨著時(shí)間的流逝，ANN“學(xué)習(xí)”了，并且開(kāi)發(fā)了不同的路徑。各種路徑可能具有不同的權(quán)重，并且在模型中，比那些產(chǎn)生較少的理想結(jié)果的路徑，以及被發(fā)現(xiàn)更重要（或產(chǎn)生更理想的結(jié)果）的路徑分配了更高的權(quán)重。在DNN中，如果所有輸入都密集連接到所有輸出，則這些層稱為密集層。此外，DNN可以包含多個(gè)隱藏層。隱藏層基本上
  • 關(guān)鍵字： 深度學(xué)習(xí)  
共175條 2/12 « 1 2 3 4 5 6 7 8 9 10 » ›|

深度學(xué)習(xí)介紹

您好，目前還沒(méi)有人創(chuàng)建詞條深度學(xué)習(xí)!
歡迎您創(chuàng)建該詞條，闡述對(duì)深度學(xué)習(xí)的理解，并與今后在此搜索深度學(xué)習(xí)的朋友們分享。    創(chuàng)建詞條

熱門主題

樹(shù)莓派    linux   
關(guān)于我們 - 廣告服務(wù) - 企業(yè)會(huì)員服務(wù) - 網(wǎng)站地圖 - 聯(lián)系我們 - 征稿 - 友情鏈接 - 手機(jī)EEPW
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產(chǎn)品世界》雜志社 版權(quán)所有 北京東曉國(guó)際技術(shù)信息咨詢有限公司
備案 京ICP備12027778號(hào)-2 北京市公安局備案：1101082052    京公網(wǎng)安備11010802012473