動態(tài)
-
發(fā)布了文章 2022-10-30 00:43
-
發(fā)布了文章 2022-10-30 00:37
凱文.凱利：未來12個趨勢（值得一讀）
作者：凱文.凱利，代表作：《失控》、《必然》來源：美中科教（ID：ACSEF111）以下為凱文·凱利最精彩的演講內容跟30年后的我們相比，現(xiàn)在的我們就是一無所知，必須要相信那些不可能的事情，因為我們尚處于第一天的第一個小時——開始的開始。我想講一講未來20年的技術走向。技術都會有一個前進的方向，我把它叫做必然，就是這個趨勢像重力一樣，一定會發(fā)生。比如有了芯片462瀏覽量 -
發(fā)布了文章 2022-10-19 05:24
機器學習模型的集成方法總結：Bagging, Boosting, Stacking, Voting, Blending
來源：DeepHubIMBA作者：AbhayParashar機器學習是人工智能的一個分支領域，致力于構建自動學習和自適應的系統(tǒng)，它利用統(tǒng)計模型來可視化、分析和預測數(shù)據。一個通用的機器學習模型包括一個數(shù)據集(用于訓練模型)和一個算法(從數(shù)據學習)。但是有些模型的準確性通常很低產生的結果也不太準確，克服這個問題的最簡單的解決方案之一是在機器學習模型上使用集成學習918瀏覽量 -
發(fā)布了文章 2022-10-19 05:23
IDC：2022年智能汽車市場研究
來源：IDCIDC將智能汽車市場定義為∶利用互聯(lián)網、loT、人工智能、移動通信、云計算等技術，與汽車及交通基礎設施相關的公司、產品和服務所組成的生態(tài)系統(tǒng)。報告從需求端與供給端兩個角度分析自動駕駛、新能源車、智能網聯(lián)幾個領域的發(fā)展現(xiàn)狀。被訪者為過去1年內購車的車主或計劃未來1年內購車的潛在車主，對智能網聯(lián)、自動駕駛、新能源車幾個概念擁有基本認知。從結果來看，T770瀏覽量 -
發(fā)布了文章 2022-10-19 05:19
Imagination官方信息速遞2022年9期
研討會回放|Imagination+百度飛槳模型部署實戰(zhàn)不久前，由Imagination和百度飛槳聯(lián)合舉辦的在線研討會吸引了不少開發(fā)者和從業(yè)者們的關注，他們有的來自芯片行業(yè)，有的專注于AI開發(fā)，還有的是高校的教師和學生……相信此次研討會讓他們更加了解了在Imagination硬件上部署飛槳模型的工作流程。技術文章Imagiantion神經網絡加速器與Visi472瀏覽量 -
發(fā)布了文章 2022-10-19 05:17
Imagination PowerVR架構30年：從世嘉游戲機，到芯動桌面顯卡
來源：電子工程專輯作者：黃燁鋒今年是Imagination的PowerVR架構誕生30周年——電子工程專輯最近特別采訪了Imagination，以期了解這段頗具傳奇色彩的架構歷史。Imagination告訴我們1992年PowerVR剛剛誕生之時，公司還叫作VideoLogic——這家公司創(chuàng)立至今已經有37年的歷史了。翻看GPU發(fā)展史，Imagination916瀏覽量 -
發(fā)布了文章 2022-10-19 05:16
我傻眼了：一個完全由 AI 生成的播客，采訪了喬布斯
作者|黃楠、施方圓編輯|陳彩嫻最近大火的生成式AI又有新動作了！在podcast.ai推出的第一集播客節(jié)目里，已故的喬布斯竟然“死而復生”成為首位嘉賓，與美國知名播客主持人JoeRogan進行了一場長達20分鐘的對話，討論了關于喬布斯的大學、對計算機的看法、工作狀態(tài)以及信仰等等。是不是聽起來有些毛骨悚然？事實上，這段采訪是由文本生成音頻實現(xiàn)的，屬于AIGC中507瀏覽量 -
發(fā)布了文章 2022-10-19 05:14
機器學習也將解決量子問題
作者：CHARLESQ.CHOI來源：IEEE電氣電子工程師當量子計算機執(zhí)行可能導致下一代電池或新藥的復雜物理和化學模擬時，它可能比任何傳統(tǒng)超級計算機強大得多。然而，可能需要很多年才能實現(xiàn)實用和廣泛的量子計算?，F(xiàn)在，一項新的研究發(fā)現(xiàn)，機器學習現(xiàn)在可以為計算機視覺、語音識別等提供動力，在量子計算機擅長的任務種類上，它也可以證明比普通計算機好得多。這些發(fā)現(xiàn)表明，476瀏覽量 -
發(fā)布了文章 2022-10-19 05:12
-
發(fā)布了文章 2022-10-19 05:11
訓練深度學習神經網絡的常用5個損失函數(shù)
作者：Onepagecode來源：DeepHubIMBA神經網絡在訓練時的優(yōu)化首先是對模型的當前狀態(tài)進行誤差估計，然后為了減少下一次評估的誤差，需要使用一個能夠表示錯誤函數(shù)對權重進行更新，這個函數(shù)被稱為損失函數(shù)。損失函數(shù)的選擇與神經網絡模型從示例中學習的特定預測建模問題（例如分類或回歸）有關。在本文中我們將介紹常用的一些損失函數(shù)，包括：回歸模型的均方誤差損失809瀏覽量
