-
英偉達(dá)修改用戶許可協(xié)議 禁止數(shù)據(jù)中心用顯卡GeForce做深度學(xué)習(xí)
最近英偉達(dá)將EULA進(jìn)行了更新，更新后的目的就是禁止數(shù)據(jù)中心使用消費(fèi)者級(jí)顯卡GeForce做深度學(xué)習(xí)。有人認(rèn)為這是英偉達(dá)利用市場(chǎng)地位進(jìn)行產(chǎn)業(yè)壟斷，這一改動(dòng)將會(huì)影響廣大的深度學(xué)習(xí)研究者和開發(fā)人員。
-
深度學(xué)習(xí)領(lǐng)域Facebook等巨頭在2017都做了什么
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，作為當(dāng)下最熱門的話題，谷歌、Facebook、微軟等巨頭紛紛圍繞深度學(xué)習(xí)做了一系列研究，一直在支持開源深度學(xué)習(xí)框架的建設(shè)。 過去一年
-
NEC研發(fā)深度學(xué)習(xí)自動(dòng)優(yōu)化技術(shù)
日前，NEC宣布研發(fā)出提高辨識(shí)精準(zhǔn)度更為簡(jiǎn)易的「深度學(xué)習(xí)自動(dòng)優(yōu)化技術(shù)」。以往進(jìn)行深度學(xué)習(xí)（Deep Learning）時(shí)，依據(jù)類神經(jīng)網(wǎng)絡(luò)的構(gòu)造來調(diào)整學(xué)習(xí)方式相當(dāng)困難，所以無法在整個(gè)網(wǎng)絡(luò)學(xué)習(xí)時(shí)達(dá)到
-
人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)三者關(guān)系分析
1、人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)三者關(guān)系 對(duì)于很多初入學(xué)習(xí)人工智能的學(xué)習(xí)者來說，對(duì)人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的概念和區(qū)別還不是很了解，有可能你每天都能聽到這個(gè)概念，也經(jīng)常提這個(gè)概念，但
-
地平線機(jī)器人獲硅谷投資家yuri投資_地平線獲英特爾領(lǐng)投近億美金A+輪融資
地平線機(jī)器人獲硅谷投資家yuri投資 由前百度深度學(xué)習(xí)研究院（IDL）負(fù)責(zé)人余凱博士創(chuàng)辦的地平線機(jī)器人技術(shù)（HorizonRoboTIcs）近日獲得了著名風(fēng)險(xiǎn)投資家YuriMilner的
-
關(guān)于深度學(xué)習(xí)現(xiàn)狀的不樂觀分析
深度學(xué)習(xí)雖然到現(xiàn)在依然火熱，Gary Marcus 卻向我們潑了冷水，Gary Marcus 表示別忽視深度學(xué)習(xí)的種種問題，其實(shí)深度學(xué)習(xí)的現(xiàn)狀一點(diǎn)都不樂觀，我們還有許多的難題沒有解決，學(xué)到的知識(shí)
-
叫板谷歌,亞馬遜微軟推出深度學(xué)習(xí)庫(kù) 訓(xùn)練神經(jīng)網(wǎng)絡(luò)更加簡(jiǎn)單
據(jù)報(bào)道，亞馬遜和微軟合力推出全新的深度學(xué)習(xí)庫(kù)，名字叫Gluon。此舉被認(rèn)為是在云計(jì)算市場(chǎng)上與谷歌叫板，谷歌曾通過AI生態(tài)系統(tǒng)發(fā)力云計(jì)算，強(qiáng)調(diào)自身產(chǎn)品對(duì)深度學(xué)習(xí)的強(qiáng)大支持。Gluon可以讓訓(xùn)練神經(jīng)
-
谷歌工程師淺談Bengio深度學(xué)習(xí)論文的重要性
《理解深度學(xué)習(xí)需要重新思考泛化》論文引起了人們的深思，也有很多人表示不解。也曾在Quora上討論過。Google Brain工程師Eric Jang認(rèn)為深度學(xué)習(xí)的工作機(jī)制，能促進(jìn)深度學(xué)習(xí)在生
-
卷積神經(jīng)網(wǎng)絡(luò)無處不在 人工智能和深度學(xué)習(xí)將走向何方
雖然機(jī)器學(xué)習(xí)和深度學(xué)習(xí)都是人工智能學(xué)中構(gòu)成的要素，但是“深度學(xué)習(xí)”被人們賦予了家族中的“聰明之星”的稱號(hào)，改進(jìn)了長(zhǎng)期以來的預(yù)測(cè)準(zhǔn)確性標(biāo)準(zhǔn)。在今年人
-
開源神經(jīng)網(wǎng)絡(luò)圖片上色技術(shù)解析 解密深度學(xué)習(xí)自動(dòng)上色
如何利用深度神經(jīng)網(wǎng)絡(luò)給圖片自動(dòng)上色，本文介紹了開源神經(jīng)網(wǎng)絡(luò)圖片上色技術(shù)，解析深度學(xué)習(xí)會(huì)自動(dòng)上色的核心技術(shù)，并且?guī)酌腌娋蛯?shí)現(xiàn)PS幾個(gè)月的效果。 如今，上色都是人手工用Photoshop做的
-
2018年開啟深度學(xué)習(xí)硬件大戰(zhàn) 英偉達(dá)/AMD/英特爾誰能笑到最后
深度學(xué)習(xí)芯片領(lǐng)域的競(jìng)爭(zhēng)從未停止過,2018年將開啟深度學(xué)習(xí)硬件大戰(zhàn)，在這場(chǎng)戰(zhàn)局中英偉達(dá)、AMD、英特爾誰能笑到最后。 隨著英偉達(dá)TItan V的發(fā)布，我們邁入了深度學(xué)習(xí)硬件發(fā)展的動(dòng)蕩期。
-
如何利用深度學(xué)習(xí)硬件的閑置算力自動(dòng)挖礦？
如果沒有 GPU，現(xiàn)代深度學(xué)習(xí)是不可能發(fā)展到今天的水平的。即使是 MNIST 數(shù)據(jù)集上的簡(jiǎn)單示例算法在 GPU 和 CPU 上運(yùn)行速度的差別也有 10-100 倍。但是，當(dāng)你沒有優(yōu)化所有設(shè)置時(shí)，
-
閑談深度學(xué)習(xí)在自然語言處理領(lǐng)域的5大關(guān)鍵優(yōu)勢(shì)
在自然語言處理領(lǐng)域，深度學(xué)習(xí)將給予最大的幫助，深度學(xué)習(xí)方法主要依靠一下這五個(gè)關(guān)鍵優(yōu)勢(shì)，閱讀本文將進(jìn)一步了解自然語言處理的重要深度學(xué)習(xí)方法和應(yīng)用。 在自然語言處理領(lǐng)域，深度學(xué)習(xí)的承諾是：給
-
Mathworks R2017b升級(jí)版,加強(qiáng)深度學(xué)習(xí)轉(zhuǎn)換CUDA代碼推斷速度再提升
Mathworks 推出了包含 MATLAB 和 Simulink 產(chǎn)品系列的 Release 2017b（R2017b），該版本大大加強(qiáng)了 MATLAB 對(duì)深度學(xué)習(xí)的支持，并簡(jiǎn)化了工程師、研究
-
百度開啟“燎原計(jì)劃”，成立國(guó)內(nèi)首個(gè)深度學(xué)習(xí)教育聯(lián)盟
百度AI開發(fā)者實(shí)戰(zhàn)營(yíng)在北京收官，百度開啟“燎原計(jì)劃”，并同時(shí)宣布百度AI加速器一期開營(yíng)，成立國(guó)內(nèi)首個(gè)深度學(xué)習(xí)教育聯(lián)盟。 為期2個(gè)月的百度AI開發(fā)者實(shí)戰(zhàn)營(yíng)活動(dòng)，陸續(xù)
-
2018年的人工智能發(fā)展：加強(qiáng)數(shù)據(jù)安全保障
隨著我們的日常生活與各種各樣的技術(shù)越來越緊密地交織在一起，有時(shí)候，似乎未來已經(jīng)到來。然而，技術(shù)仍在不斷發(fā)展，人工智能（AI）已經(jīng)占據(jù)了這一領(lǐng)域的中心地位。在許多前進(jìn)力量的支持下，人工智能繼續(xù)激發(fā)
-
深度學(xué)習(xí)如何確定最佳深度？
確定最佳深度可以降低運(yùn)算成本，同時(shí)可以進(jìn)一步提高精度。針對(duì)深度置信網(wǎng)絡(luò)深度選擇的問題，文章分析了通過設(shè)定閾值方法選擇最佳深度的不足之處。從信息論的角度，驗(yàn)證了信息熵在每層玻爾茲曼機(jī)（RBM）訓(xùn)練
-
人工智能之機(jī)器學(xué)習(xí)與深度學(xué)習(xí)介紹
我們周圍的事物正變得越來越智能。 從汽車到智能手機(jī)，到數(shù)字助理，甚至包括機(jī)器人。我們不只是在講每天層出不窮的、突破性的新功能。更重要的是，設(shè)備、計(jì)算機(jī)和機(jī)器都在聰明地執(zhí)行任務(wù)。它們是如何
-
如何運(yùn)用AI作為犯罪偵防工具
利用人工智能(AI)技術(shù)分析監(jiān)視器影像，協(xié)助犯罪偵防的研究日益活絡(luò)，日本設(shè)備商OKI藉此偵測(cè)在ATM前方的提款者有無異狀，新創(chuàng)業(yè)者Earth-eyes研發(fā)了可預(yù)測(cè)偷竊者的偵測(cè)系統(tǒng)，諸如此類利用人
-
機(jī)器學(xué)習(xí)的突飛猛進(jìn)，這些進(jìn)步很可疑
站在2018年，圖像分類準(zhǔn)確率在95%以上的模型，已經(jīng)遍地都是。 回想2012年，Hinton帶著學(xué)生們以ImageNet上16.4%的錯(cuò)誤率震驚計(jì)算機(jī)視覺研究界，似乎已經(jīng)是遠(yuǎn)古時(shí)期的歷
