AI夏令营领域信息情报检索

帮助您学习人工智能的博客。

MRI 中的深度学习超越分割:医学图像重建、配准和合成

Deep learning in MRI beyond segmentation: Medical image reconstruction, registration, and synthesis

除了分割之外,深度学习如何彻底改变医学图像分析?在本文中,我们将看到医学成像中的几个有趣应用,例如医学图像重建、图像合成、超分辨率和医学图像配准

分布式深度学习训练:Tensorflow 中的模型和数据并行性

Distributed Deep Learning training: Model and Data Parallelism in Tensorflow

如何使用镜像策略、参数服务器和中央存储等分布式方法在多个 GPU 或机器中训练数据。

如何在云端训练深度学习模型

How to train a deep learning model in the cloud

如何在 Google Cloud 中创建 VM 实例、传输深度学习模型并使用来自云存储的外部数据运行训练作业

用于训练非常深的神经网络的层内规范化技术

In-layer normalization techniques for training very deep neural networks

我们如何有效地训练非常深的神经网络架构?最好的层内规范化选项是什么?我们收集了您需要的有关 transformer、循环神经网络、卷积神经网络中规范化的所有信息。

机器学习的 3D 医学成像简介:预处理和增强

Introduction to 3D medical imaging for machine learning: preprocessing and augmentations

了解如何应用 3D 变换进行医学图像预处理和增强,以设置您的出色深度学习管道

如何从头开始在 Tensorflow 中构建自定义的可用于生产的深度学习训练循环

How to build a custom production-ready Deep Learning Training loop in Tensorflow from scratch

使用检查点和 Tensorboards 可视化在 Tensorflow 和 Python 中构建自定义训练循环

循环神经网络:在 Pytorch 中构建 GRU 单元 VS LSTM 单元

Recurrent Neural Networks: building GRU cells VS LSTM cells in Pytorch

RNN 相对于 transformer 有哪些优势?何时使用 GRU 而不是 LSTM?GRU 的方程式到底是什么意思?如何在 Pytorch 中构建 GRU 单元?

循环神经网络:构建自定义 LSTM 单元

Recurrent neural networks: building a custom LSTM cell

您是否有兴趣了解循环网络如何在后台处理序列?这就是本文的全部内容。我们将检查并构建我们自己的自定义 LSTM 模型。此外,我们对循环模块和卷积模块进行了一些比较,以最大限度地加深我们的理解。

深度学习的数据预处理:使用 Tensorflow 优化数据管道的技巧和窍门

Data preprocessing for deep learning: Tips and tricks to optimize your data pipeline using Tensorflow

如何使用批处理、预取、流式传输、缓存和迭代器优化数据处理管道

视频上的自监督表示学习

Self-supervised representation learning on videos

在本文中,我们通过仔细回顾学习视频表示的自监督基本概念,深入研究计算机视觉中自监督表示学习的最新方法。

深度学习的数据预处理:如何构建高效的大数据管道

Data preprocessing for deep learning: How to build an efficient big data pipeline

如何使用 ETL 模式和函数式编程在 Tensorflow 中开发高性能输入管道

了解深度学习医学图像分析的坐标系和 DICOM

Understanding coordinate systems and DICOM for deep learning medical image analysis

关于医学成像中深度学习的多个入门概念,例如从机器学习角度进行的坐标系和 dicom 数据提取。

机器学习中的日志记录和调试 - 如何使用 Python 调试器和日志记录模块查找 AI 应用程序中的错误

Logging and Debugging in Machine Learning - How to use Python debugger and the logging module to find errors in your AI application

有关如何调试机器学习代码以及如何使用日志捕获生产中的错误的指南(包括一组有用的 Tensorflow 函数,让您的调试生活更轻松)

了解深度卷积网络的接受场

Understanding the receptive field of deep convolutional networks

关于为什么检查感受野很重要以及感受野如何影响深度卷积网络的设计选择的直观指南。

如何对深度学习进行单元测试:TensorFlow 中的测试、模拟和测试覆盖率

How to Unit Test Deep Learning: Tests in TensorFlow, mocking and test coverage

使用 tf.test() 探索 TensorFlow 代码中的单元测试、模拟和修补对象、代码覆盖率以及机器学习应用程序中测试用例的不同示例

编写深度学习代码的最佳实践:项目结构、OOP、类型检查和文档

Best practices to write Deep Learning code: Project structure, OOP, Type checking and documentation

深度学习 Python 项目模板,面向对象的技术,例如抽象、继承和静态方法、类型提示和文档字符串

生产中的深度学习:笔记本电脑设置和系统设计

Deep Learning in Production: Laptop set up and system design

关于如何在生产中编写和部署深度学习系统的文章课程。python 代码优化、云托管和系统设计

Deepfakes:使用 GAN 和自动编码器进行人脸合成

Deepfakes: Face synthesis with GANs and Autoencoders

深入了解 Deepfakes:使用 StyleGAN 进行人脸合成、使用 XceptionNet 进行人脸交换以及使用 StarGAN 进行面部属性和表情操纵