深度學習
關注創建者：正一算法程序 創建時間：2019-03-03
深度學習的視頻教程
基于深度學習的人工智能技術在工業設計領域的應用
基于深度學習的人工智能技術在工業設計領域的應用 適用人群：對人工智能和深度學習技術感興趣的設計研發人員，以及人工智能相關專業的在校學生。 基于深度學習的人工智能技術在工業設計領域的應用（免費）【已結束】 直播時間：2020-06-04 19:30 深度學習，英文名稱為Deep Learning，是近幾年人工智能領域的一類研究方向。
免費 1小時25分鐘 506播放
查看
流體力學遇見深度學習：揭示微觀流動背后的智能力量
直播背景： 近年來，隨著人工智能技術的迅猛發展，深度學習與物理建模的融合正在重塑傳統計算科學格局。特別是在流體力學與多孔介質滲流模擬領域，面對微觀結構復雜、參數不確定性高、傳統數值方法計算成本昂貴等問題，基于數據驅動或物理引導的深度學習方法展現出前所未有的潛力。
￥9.9 41分鐘 45播放
查看
Dragonfly深度學習教程
特征提取：接下來，利用深度學習模型（如卷積神經網絡，CNN）從預處理后的材料圖像中提取特征。CNN通過多層卷積和池化操作，學習圖像的高級特征表示。 模型訓練：將提取到的特征輸入到深度學習模型中進行訓練。訓練過程中，模型會不斷調整參數，以最小化損失函數（如交叉熵損失、均方誤差等）并提高預測準確性。 模型評估：在訓練過程中或訓練完成后，需要對模型進行評估，以檢驗模型性能。
￥3000 24分鐘 35播放
查看
深度學習的實例教程
：S 形函數
第 28 講 深度學習基礎：多類問題
第 29 講 深度學習基礎：負分問題
第 30 講 深度學習基礎知識：Softmax 的需求
第 31 講 深度學習基礎知識：對 Softmax 進行編碼
第 32 講 深度學習基礎知識：一個熱門編碼
第 33 講 深度學習基礎知識：最大似然法 第 1 部分
第 34 講 深度學習基礎知識：最大似然 第 2 部分
第 35 講 深度學習基礎：交叉熵
第 36 講 深度學習基礎知識：交叉熵公式
第 37 講 深度學習基礎：多類交叉熵
第 38 講 深度學習基礎：交叉熵實現
第 39 講 深度學習基礎：Sigmoid 函數實現
第 40 講 深度學習基礎：輸出函數實現
第 41 講 深度學習：Gradient Decent 簡介
第 42 講 深度學習：凸函數
第 43 講 深度學習：導數的使用
第 44 講 深度學習：Gradient Decent 的工作原理
第 45 講 深度學習：梯度步驟
第 46 講 深度學習：Logistic 回歸算法
第 47 講 深度學習：數據可視化和讀取
第 48 講：深度學習：在 Python 中更新權重
第 49 講 深度學習：實施 Logistic 回歸
第 50 講 深度學習：可視化和結果
第 51 講 深度學習：梯度 Decent 與 Perceptron
第 52 講 深度學習：線性到非線性邊界
第 53 講 深度學習：組合概率
第 54 講 深度學習：加權和
第 55 講 深度學習：神經網絡架構
第 56 講 深度學習：層和 DEEP 網絡
第 57 講 深度學習：多類分類
第 58 講 深度學習：前饋基礎知識
第 59 講 深度學習：DEEP Net 的前饋
展開 源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 而在深度學習的模型中，受寵愛最多的就是被用在大規模圖像識別任務中的卷積神經網絡（Convolutional Neural Nets，CNN），簡稱ConvNets。
圖4 ConvNet框架（圖來源于 Torch的教程 ）
深度學習強調的是你使用的模型（例如深度卷積多層神經網絡），模型中的參數通過從數據中學習獲得。然而，深度學習也帶來了一些其他需要考慮的問題。因為你面對的是一個高維的模型（即龐大的網絡），所以你需要大量的數據（大數據）和強大的運算能力（圖形處理器，GPU）才能優化這個模型。卷積被廣泛用于深度學習（尤其是計算機視覺應用中），而且它的架構往往都是非淺層的。
如果你要學習Deep Learning，那就得先復習下一些線性代數的基本知識，當然了，也得有編程基礎。我強烈推薦Andrej Karpathy的博文：“ 神經網絡的黑客指南 ”。另外，作為學習的開端，可以選擇一個不用卷積操作的應用問題，然后自己實現基于CPU的反向傳播算法。
對于深度學習，還存在很多沒有解決的問題。既沒有完整的關于深度學習有效性的理論，也沒有任何一本能超越機器學習實戰經驗的指南或者書。另外，深度學習不是萬能的，它有足夠的理由能日益流行，但始終無法接管整個世界。不過，只要你不斷增加你的機器學習技能，你的飯碗無憂。但也不要對深度框架過于崇拜，不要害怕對這些框架進行裁剪和調整，以得到和你的學習算法能協同工作的軟件框架。未來的Linux內核也許會在Caffe（一個非常流行的深度學習框架）上運行，然而，偉大的產品總是需要偉大的愿景、領域的專業知識、市場的開發，和最重要的：人類的創造力。
其他相關術語
1）大數據（Big-data）：大數據是個豐富的概念，例如包含大量數據的存儲，數據中隱含信息的挖掘等。對企業經營來說，大數據往往可以給出一些決策的建議。
展開 機器學習(Machine Learning)，是一門人工智能的科學，是通過用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。
深度學習(Deep Learning)，是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。
人工智能、機器學習與深度學習的關系
工程應用中 機器學習與深度學習的主要區別有以下幾方面：
機器學習典型過程：
（1）首先在計算機中存儲歷史的數據。
（2）將這些數據通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”。
（3）處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為“模型”。
（4）對新數據的預測過程在機器學習中叫做“預測”。
“訓練”與“預測”是機器學習的兩個過程，“模型”則是過程的中間輸出結果，“訓練”產生“模型”，“模型”指導 “預測”。
機器學習與人類思考的類比
深度學習的主要差異：
深度學習不需要我們去提取特征，而是自動地對數據進行篩選，自動地提取數據高維特征。如下圖所示，深度學習與機器學習中的監督學習一般方法相比，少了特征工程，節約了工程師們大量工作時間。
展開 因為深度學習是一個映射的過程，從輸入A映射到輸出B，而在企業活動中如果我已經擁有了這樣的A→B映射，為什么還需要機器學習來推斷呢？讓機器自己在數據中尋找這種映射關系或者進行yc，目前還存在很大難度。
缺乏理論基礎，這是困擾著研究者的問題。比如說，AlphaGo這盤棋贏了，你很難弄懂它是怎么贏的。可以說，深度學習是一個黑箱子，神經網絡需要多少個隱層來訓練，到底需要多少有效的參數等，都沒有很好的理論解釋。
深度學習需要大量的訓練樣本。由于深度學習的多層網絡結構，模型的參數也會增加，如果訓練樣本不夠大是很難實現的，需要海量的標記數據，避免產生過擬合現象（overfitting）而不能很好的表示整個數據。
深度學習在NLP領域還面臨很大挑戰，目前的模型缺乏理解及推理能力。
因此，深度學習將來的發展方向也將涉及到以上問題的解決。Hinton、LeCun和Bengio三位AI領袖曾在合著的一篇論文（Deep Learning）的結尾提出了深度學習的未來發展方向：
無監督學習。雖然監督學習在深度學習中表現不俗，超過了無監督學習在預訓練中的效果，但人類和動物的學習都是無監督學習方式，我們感知世界都是通過我們自己的觀察，因此若要更加接近人類大腦的學習模式，無監督學習需要得到更好的發展。
強化學習。增強學習指的是從外部環境到行為映射的學習，通過基于回報函數的試錯來發現最優行為。由于在實際運用中數據量是遞增的，在新數據中能否學習到有效的數據并做出修正非常重要，深度+強化學習可以提供獎勵的反饋機制讓機器自主的學習，典型案例是AlphaGo。
理解自然語言。老教授們說：趕緊讓機器讀懂人類的語言吧！
遷移學習。把利用大數據訓練好的模型遷移運用到有效數據量小的任務上，也就是把學到的知識有效的解決不同但相關領域的問題。
展開 
深度學習的相關專題、標簽、搜索
深度學習的最新內容
現有技術可分為三類：
像差分析法：基于節點像差理論，建立誤差與波前像差的解析關系，需高精度波前測量，設備成本高昂[2]；
數據驅動法：通過深度學習、靈敏度矩陣建立數值映射[3]，依賴大量樣本與復雜訓練，工程落地門檻高；
搜索優化法：構建評價函數引導優化，無需復雜建模，但遍歷搜索耗時極長，多自由度場景下效率暴跌。
人工智能：基礎、模型與應用23天前
、深度學習以及Python和MATLAB中的實際應用來學習人工智能
你將學
到的內容 ? 解釋人工智能的概念、類型、特性以及機器學習、深度學習、自然語言處理、計算機視覺和機器人等關鍵分支。
這本書適合誰
熟悉機器學習但對深度學習還不熟悉的開發者和數據科學家，或希望用PyTorch訓練深度學習模型的現有深度學習從業者，都會覺得這本書很有用。
內容簡介：深度學習建模對標準磁環損耗具備優秀的非線性擬合能力，可精準適配多工況損耗預測。但成型磁芯、集成磁件內部磁密分布不均，會大幅降低損耗預測精度。為此本次分享結合有限元后處理與雙分支深度學習，提出FEM-DL耦合方法，融合局域場信息實現復雜磁件損耗精準預測，有效結合仿真與數據驅動優勢，預測效果良好。
3.2 AI模型的能力邊界：統計推斷不能替代物理測量
當前深度學習模型的強大能力——超分辨率、去模糊、生成式填充——容易使人產生一種錯覺：既然AI能讓模糊圖像變清晰，為何還需費心從光學前端保證信息質量？
答案在于理解“生成”與“反演”的根本區別。
通用視覺大模型執行的是“圖像翻譯”：學習模糊圖像域到清晰圖像域的統計映射。
未來HyperMesh將進一步強化AI驅動的建模與仿真能力，借助幾何深度學習與機器學習算法，實現復雜模型的自動識別、網格的智能生成與優化，甚至能基于歷史仿真數據進行預測性分析，幫助工程師提前規避設計風險，進一步縮短設計迭代周期。同時，結合GPU加速技術，實現大規模復雜系統的快速仿真，突破硬件限制，提升仿真效率。
第二，多物理場仿真的一體化集成。
適合作為研究生的科研底座、畢業設計參考或PD算法的深度進階學習資料。
基礎理論實現：
鍵基 PD (BBPD)：最經典的鍵基模型，適用于脆性材料破壞分析。
常規態基 PD (OSBPD)：解決鍵基模型泊松比固定的局限性，支持任意彈性常數設置。
AI 驅動仿真：顛覆傳統，效率提升千倍
最新 HyperWorks 2026 深度融合幾何深度學習、GPU 加速降階建模（ROM）、物理 AI 技術，實現仿真范式革新Altair。
? AI賦能先驗建模，通過深度學習挖掘光刻圖形隱性特征，實現先驗分布的自適應生成，提升邊緣概率密度估計的場景適配性；
? 多物理場問題模型升級，融入EUV光刻偏振、熱變形等極端效應，完善BCS模型的物理約束；
跨流程協同優化，聯動OPC、掩模制造工藝構建全鏈路貝葉斯估計框架，解決優化結果可制造性瓶頸；
? 極端制程突破，針對1nm及以下節點研發量子貝葉斯迭代算法，結合量子稀疏表示優化信號估計流程
決策技術展區重點呈現具身大模型、深度學習算法、路徑規劃系統等創新成果，多家企業將發布集成大語言模型與具身智能的解決方案，讓機器人實現常識推理與動態任務規劃，推動機器人從“自動化工具”向“自主化伙伴”加速演進。
