深度學(xué)習(xí)算法
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時間：2021-12-24
深度學(xué)習(xí)算法的視頻教程
基于深度學(xué)習(xí)和啟發(fā)式算法的燃料電池系統(tǒng)建模及尋優(yōu)
本課程通過燃料電池為例講解如何通過深度學(xué)習(xí)和啟發(fā)式尋優(yōu)算法進(jìn)行系統(tǒng)建模及尋優(yōu)幫助學(xué)員入門人工智能建模和燃料電池
￥80 2小時22分鐘 158播放
查看
Dragonfly深度學(xué)習(xí)教程
特征提取：接下來，利用深度學(xué)習(xí)模型（如卷積神經(jīng)網(wǎng)絡(luò)，CNN）從預(yù)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(xué)習(xí)圖像的高級特征表示。 模型訓(xùn)練：將提取到的特征輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練。訓(xùn)練過程中，模型會不斷調(diào)整參數(shù)，以最小化損失函數(shù)（如交叉熵?fù)p失、均方誤差等）并提高預(yù)測準(zhǔn)確性。 模型評估：在訓(xùn)練過程中或訓(xùn)練完成后，需要對模型進(jìn)行評估，以檢驗?zāi)Ｐ托阅堋?/p>
￥3000 24分鐘 35播放
查看
深度學(xué)習(xí)算法的實例教程
這些特征使Det-Fly更加貼近實際的無人機探測場景，如果用它來評估無人機檢測算法，那么可以更加真實的反映出算法的性能。
圖4：Det-Fly數(shù)據(jù)集中的圖片
查閱了大量文獻(xiàn)后，我們發(fā)現(xiàn)目前專門針對無人機檢測的深度學(xué)習(xí)算法幾乎沒有，于是就選擇了通用的基于深度學(xué)習(xí)的目標(biāo)檢測算法來研究無人機檢測這個問題，并挑選了8種性能比較好的基于深度學(xué)習(xí)的目標(biāo)檢測算法。這些算法分別是Cascade R-CNN，F(xiàn)aster R-CNN，F(xiàn)PN，Grid R-CNN，RefineDet，RetinaNet，SSD512和YOLOv3。
02
深度學(xué)習(xí)算法檢測無人機的效果
有了數(shù)據(jù)和算法后，接下來就可以開展基于視覺信息的無人機檢測的研究了。首先，Det-Fly被分成了訓(xùn)練集和測試集，然后分別對這8種算法做了訓(xùn)練和測試。從測試的結(jié)果來看，基于視覺信息的無人機檢測確實是一個非常具有挑戰(zhàn)性的任務(wù)，目前這些主流算法的檢測成功率都在70%～80%之間。各算法在一些測試視頻上的表現(xiàn)見下面的視頻。
視頻：各算法在數(shù)據(jù)集上的測試結(jié)果
那么，影響無人機檢測的因素有哪些呢？其中的難點是什么呢？
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(xué)習(xí)算法在多目標(biāo)跟蹤中的實時性問題, 提出一種基于MobileNet的多目標(biāo)跟蹤算法. 借助于MobileNet深度可分離卷積能夠?qū)?em>深度網(wǎng)絡(luò)模型進(jìn)行壓縮的原理, 將YOLOv3主干網(wǎng)絡(luò)替換為MobileNet, 通過將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點卷積, 保留多尺度預(yù)測部分, 以有效減少參數(shù)量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進(jìn)行跟蹤. 實驗結(jié)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(guān)鍵詞
深度學(xué)習(xí) 多目標(biāo)跟蹤 目標(biāo)檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標(biāo)跟蹤是計算機視覺領(lǐng)域的研究熱點, 可應(yīng)用于交通監(jiān)測、安防等多個領(lǐng)域, 具有一定的應(yīng)用價值和挑戰(zhàn)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(biāo)后再進(jìn)行跟蹤; 后者需要在第1幀手動初始化目標(biāo), 然后進(jìn)行跟蹤. 在目標(biāo)跟蹤中, 涌現(xiàn)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(xiàn)出較強的優(yōu)勢.
由于深度學(xué)習(xí)的發(fā)展, 卷積神經(jīng)網(wǎng)絡(luò)模型逐漸替代了傳統(tǒng)手工設(shè)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(wǎng)絡(luò)深度和尺寸也在成倍增長, 需要GPU來進(jìn)行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無法直接應(yīng)用于移動設(shè)備, 導(dǎo)致難以符合實時性要求. 因此降低算法復(fù)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(xiàn)[8-10]使用剪枝方法對神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)壓縮. 文獻(xiàn)[11]提出從零開始訓(xùn)練低秩約束卷積神經(jīng)網(wǎng)絡(luò)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 目前，微軟、騰訊、谷歌、Facebook、百度、阿里巴巴等把深度學(xué)習(xí)作為未來工業(yè)和互聯(lián)網(wǎng)發(fā)展的研究重心。中國科學(xué)院、清華大學(xué)、北京大學(xué)等高校和科研院所成立專業(yè)研究中心和實驗室把深度學(xué)習(xí)進(jìn)行科學(xué)技術(shù)成果轉(zhuǎn)化，顯著推動了深度學(xué)習(xí)應(yīng)用的發(fā)展。我們已經(jīng)舉辦培訓(xùn)班共二十期，一百余家企業(yè)、高校和科研院所參加了培訓(xùn)班，共計培訓(xùn)學(xué)員數(shù)百名。培訓(xùn)班實實在在提高了學(xué)員的Python編程基礎(chǔ)，機器學(xué)習(xí)與深度學(xué)習(xí)算法科研水平和解決問題能力，通過實際操作和訓(xùn)練，讓學(xué)員們掌握了機器學(xué)習(xí)與深度學(xué)習(xí)算法使用的方法，獲得一致好評。
為進(jìn)一步推動高等院校、科研院所及企事業(yè)單位在人工智能研究工作的開展，中國管理科學(xué)研究院職業(yè)資格認(rèn)證培訓(xùn)中心、北京富卓佰揚職業(yè)技能培訓(xùn)中心特邀請在人工智能學(xué)術(shù)和研發(fā)領(lǐng)域一線專家共同舉辦全國人工智能Python機器學(xué)習(xí)與深度學(xué)習(xí)核心技術(shù)應(yīng)用及項目實戰(zhàn)培訓(xùn)班。本次培訓(xùn)主打理論結(jié)合實踐主題，課程強調(diào)動手操作；內(nèi)容以代碼落地為主，以理論講解為根，以公式推導(dǎo)為輔。具體事宜如下：
一、培訓(xùn)目標(biāo)
1、掌握人工智能程序編程，包括python基礎(chǔ)使用、科學(xué)計算包numpy使用、繪圖工具包使用；
2、掌握機器學(xué)習(xí)的思維方式和關(guān)鍵技術(shù)及各種算法實現(xiàn)；了解人工智能在當(dāng)前工業(yè)界的落地應(yīng)用；
3、掌握最新Tensorflow2.0版本、卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)等。
4、參加一次，后期本人可以免費參加相同課程，不限次數(shù)、學(xué)會為止！
二、培訓(xùn)專家
中國科學(xué)院、清華大學(xué)、上海大學(xué)等科研機構(gòu)的高級專家。人工智能領(lǐng)域一線實戰(zhàn)專家，機器學(xué)習(xí)，深度學(xué)習(xí)領(lǐng)域多年開發(fā)研究經(jīng)驗。精通python軟件程序編程、機器學(xué)習(xí)與深度學(xué)習(xí)算法原理與案例實踐。擁有多項國家專利。長期從事人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)、計算機視覺等領(lǐng)域的教學(xué)與研究工作。
展開 目前，微軟、騰訊、谷歌、Facebook、百度、阿里巴巴等把深度學(xué)習(xí)作為未來工業(yè)和互聯(lián)網(wǎng)發(fā)展的研究重心。中國科學(xué)院、清華大學(xué)、北京大學(xué)等高校和科研院所成立專業(yè)研究中心和實驗室把深度學(xué)習(xí)進(jìn)行科學(xué)技術(shù)成果轉(zhuǎn)化，顯著推動了深度學(xué)習(xí)應(yīng)用的發(fā)展。我們已經(jīng)舉辦培訓(xùn)班共二十期，一百余家企業(yè)、高校和科研院所參加了培訓(xùn)班，共計培訓(xùn)學(xué)員數(shù)百名。培訓(xùn)班實實在在提高了學(xué)員的Python編程基礎(chǔ)，機器學(xué)習(xí)與深度學(xué)習(xí)算法科研水平和解決問題能力，通過實際操作和訓(xùn)練，讓學(xué)員們掌握了機器學(xué)習(xí)與深度學(xué)習(xí)算法使用的方法，獲得一致好評。
為進(jìn)一步推動高等院校、科研院所及企事業(yè)單位在人工智能研究工作的開展，中國管理科學(xué)研究院職業(yè)資格認(rèn)證培訓(xùn)中心、北京富卓佰揚職業(yè)技能培訓(xùn)中心特邀請在人工智能學(xué)術(shù)和研發(fā)領(lǐng)域一線專家共同舉辦全國人工智能Python機器學(xué)習(xí)與深度學(xué)習(xí)核心技術(shù)應(yīng)用及項目實戰(zhàn)培訓(xùn)班。本次培訓(xùn)主打理論結(jié)合實踐主題，課程強調(diào)動手操作；內(nèi)容以代碼落地為主，以理論講解為根，以公式推導(dǎo)為輔。具體事宜如下：
一、培訓(xùn)目標(biāo)
1、掌握人工智能程序編程，包括python基礎(chǔ)使用、科學(xué)計算包numpy使用、繪圖工具包使用；
2、掌握機器學(xué)習(xí)的思維方式和關(guān)鍵技術(shù)及各種算法實現(xiàn)；了解人工智能在當(dāng)前工業(yè)界的落地應(yīng)用；
3、掌握最新Tensorflow2.0版本、卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)等。
4、參加一次，后期本人可以免費參加相同課程，不限次數(shù)、學(xué)會為止！
二、培訓(xùn)專家
中國科學(xué)院、清華大學(xué)、上海大學(xué)等科研機構(gòu)的高級專家。人工智能領(lǐng)域一線實戰(zhàn)專家，機器學(xué)習(xí)，深度學(xué)習(xí)領(lǐng)域多年開發(fā)研究經(jīng)驗。精通python軟件程序編程、機器學(xué)習(xí)與深度學(xué)習(xí)算法原理與案例實踐。擁有多項國家專利。長期從事人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)、計算機視覺等領(lǐng)域的教學(xué)與研究工作。
展開 基于核的算法把輸入數(shù)據(jù)映射到一個高階的向量空間， 在這些高階向量空間里， 有些分類或者回歸問題能夠更容易的解決。常見的基于核的算法包括：支持向量機（Support Vector Machine， SVM）， 徑向基函數(shù)（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等。
12.聚類算法聚類，就像回歸一樣，有時候人們描述的是一類問題，有時候描述的是一類算法。聚類算法通常按照中心點或者分層的方式對輸入數(shù)據(jù)進(jìn)行歸并。所以的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便按照最大的共同點將數(shù)據(jù)進(jìn)行歸類。常見的聚類算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）。
13. 關(guān)聯(lián)規(guī)則學(xué)習(xí)關(guān)聯(lián)規(guī)則學(xué)習(xí)通過尋找最能夠解釋數(shù)據(jù)變量之間關(guān)系的規(guī)則，來找出大量多元數(shù)據(jù)集中有用的關(guān)聯(lián)規(guī)則。常見算法包括 Apriori算法和Eclat算法等。
14. 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類模式匹配算法。通常用于解決分類和回歸問題。人工神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法。（其中深度學(xué)習(xí)就是其中的一類算法，我們會單獨討論），重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network）, 反向傳遞（Back Propagation）， Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map, SOM）。學(xué)習(xí)矢量量化（Learning Vector Quantization， LVQ）。
15. 深度學(xué)習(xí)深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在近期贏得了很多關(guān)注， 特別是百度也開始發(fā)力深度學(xué)習(xí)后， 更是在國內(nèi)引起了很多關(guān)注。
展開 
深度學(xué)習(xí)算法的相關(guān)專題、標(biāo)簽、搜索
深度學(xué)習(xí)算法的最新內(nèi)容
開放接口賦能算法創(chuàng)新
ZOS?API支持Python、MATLAB等外部程序調(diào)用，可集成貝葉斯優(yōu)化、深度學(xué)習(xí)等優(yōu)秀算法，實現(xiàn)自定義對準(zhǔn)流程、自動化批量仿真，助力前沿技術(shù)快速落地。
面向量產(chǎn)的工程化適配
仿真結(jié)果直接指導(dǎo)工裝設(shè)計、工藝參數(shù)優(yōu)化、良率提升，所提對準(zhǔn)方法裝置簡化、耗時極短，高度適配高端相機模組大批量、高效率、高精度的量產(chǎn)需求。
未來HyperMesh將進(jìn)一步強化AI驅(qū)動的建模與仿真能力，借助幾何深度學(xué)習(xí)與機器學(xué)習(xí)算法，實現(xiàn)復(fù)雜模型的自動識別、網(wǎng)格的智能生成與優(yōu)化，甚至能基于歷史仿真數(shù)據(jù)進(jìn)行預(yù)測性分析，幫助工程師提前規(guī)避設(shè)計風(fēng)險，進(jìn)一步縮短設(shè)計迭代周期。同時，結(jié)合GPU加速技術(shù)，實現(xiàn)大規(guī)模復(fù)雜系統(tǒng)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。
決策技術(shù)展區(qū)重點呈現(xiàn)具身大模型、深度學(xué)習(xí)算法、路徑規(guī)劃系統(tǒng)等創(chuàng)新成果，多家企業(yè)將發(fā)布集成大語言模型與具身智能的解決方案，讓機器人實現(xiàn)常識推理與動態(tài)任務(wù)規(guī)劃，推動機器人從“自動化工具”向“自主化伙伴”加速演進(jìn)。
■ DTEmpower 首次實現(xiàn)對非結(jié)構(gòu)化數(shù)據(jù)的處理與分析；支持深度學(xué)習(xí)算法；新增SPC統(tǒng)計過程分析模塊；完成時序模塊升級；AI智能助手上線；新增系統(tǒng)仿真降階模塊與分類算法體系。
—— JetZero 首席設(shè)計官
John Vassberg
”
HyperWorks 2026 六大核心創(chuàng)新
? AI 驅(qū)動的設(shè)計與仿真
依托幾何深度學(xué)習(xí)、生成式算法及 GPU 加速降階建模 (ROM) 技術(shù)，可實現(xiàn)近實時預(yù)測與更快的驗證流程。
—— JetZero 首席設(shè)計官
John Vassberg
”
HyperWorks 2026 六大核心創(chuàng)新
? AI 驅(qū)動的設(shè)計與仿真
依托幾何深度學(xué)習(xí)、生成式算法及 GPU 加速降階建模 (ROM) 技術(shù)，可實現(xiàn)近實時預(yù)測與更快的驗證流程。
參展企業(yè)將展示基于數(shù)字孿生技術(shù)的智能工廠解決方案，通過實時數(shù)據(jù)采集和深度學(xué)習(xí)算法，實現(xiàn)生產(chǎn)線的自主優(yōu)化和預(yù)測性維護(hù)。據(jù)業(yè)內(nèi)人士透露，某國際知名汽車制造商將在展會上發(fā)布其全球首個"黑燈工廠"示范項目，該工廠通過AI視覺檢測和自主決策系統(tǒng)，實現(xiàn)了關(guān)鍵工序的完全無人化生產(chǎn)，良品率提升至99.99%。
智慧城市展區(qū)將帶來令人驚嘆的未來生活圖景。
摘要：本研究旨在探索和構(gòu)建融合深度學(xué)習(xí)技術(shù)的電阻抗（EIT）、電磁（EMT）與電容層析成像（ECT）方法，以提升成像分辨率、抗噪能力和重建速度。傳統(tǒng)層析成像方法依賴于迭代反演與物理建模，存在非線性強、病態(tài)性高、對噪聲敏感等問題，限制了其在實際工業(yè)過程監(jiān)測與生物醫(yī)學(xué)成像中的應(yīng)用性能。為克服這些挑戰(zhàn)，本課題系統(tǒng)設(shè)計了多種基于CNN、VGG、ResNet、U-Net、Transformer等結(jié)構(gòu)的深度成像網(wǎng)絡(luò)
幾何深度學(xué)習(xí)
1.什么是幾何深度學(xué)習(xí)？
幾何深度學(xué)習(xí)（GDL-Geometric Deep Learning）是從非歐幾里得數(shù)據(jù)類型中學(xué)習(xí)的一種神經(jīng)網(wǎng)絡(luò)方法。
歐幾里得數(shù)據(jù)包括圖像、文本、音頻等。
非歐幾里得數(shù)據(jù)可以比一維或二維表達(dá)更復(fù)雜的結(jié)構(gòu)
背景
隨著時間的推移，老照片可能會因褪色、損壞或曝光不當(dāng)而影響其視覺質(zhì)量。這些珍貴的影像承載著歷史和回憶，但由于物理損耗，它們的觀賞價值和可讀性逐漸下降。為了恢復(fù)這些照片的清晰度和色彩，本項目采用深度學(xué)習(xí)與先進(jìn)的圖像處理技術(shù)，實現(xiàn)自動化的老照片修復(fù)，使其煥發(fā)新生。
項目概述
本項目致力于利用深度學(xué)習(xí)方法對老照片進(jìn)行智能修復(fù)，針對照片的損壞、褪色、模糊、曝光不均等問題進(jìn)行自動處理。通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型
