g********7
发帖数: 1145 | |
C*****5
发帖数: 8812 | |
s***d
发帖数: 15421 | 3 别这么说 图像处理 现在用了很多机器学习算法。上次斯坦福某大牛 讲了很多 可能可
以解决 很多很多问题。dl 处理图像 和人闹类似 比机械的算法比如color
calibration 能提高很多
★ 发自iPhone App: ChineseWeb 11
【在 C*****5 的大作中提到】
: 现在都deep learning了。
|
f****y
发帖数: 243 | 4 有paper没。。。
【在 s***d 的大作中提到】
: 别这么说 图像处理 现在用了很多机器学习算法。上次斯坦福某大牛 讲了很多 可能可
: 以解决 很多很多问题。dl 处理图像 和人闹类似 比机械的算法比如color
: calibration 能提高很多
:
: ★ 发自iPhone App: ChineseWeb 11
|
i*****t
发帖数: 24265 | |
g****t
发帖数: 31659 | 6 VR不是正热门的吗。
【在 g********7 的大作中提到】
: rt
|
g****t
发帖数: 31659 | 7 动车，欢迎来我们EE板串门
【在 C*****5 的大作中提到】
: 现在都deep learning了。
|
t*****e
发帖数: 666 | 8 deep learning的数学模型怎么建立？
图像处理都是建立在信息论的基础上，靠的是临近像素的相关性和前后几张图片的相关
性。
【在 C*****5 的大作中提到】
: 现在都deep learning了。
|
|
i*****t
发帖数: 24265 | |
s***d
发帖数: 15421 | 10 最早ee的人搞得,模型和现在比比较简单, cs的人发扬光大,10+的 神经网络拟合.
【在 i*****t 的大作中提到】
: DL到底算CS还是EE？
|
|
|
t*****e
发帖数: 666 | 11 能不能展开说说，之前硕士的时候跟着老师也弄了一小会视频和图像的处理。
图像的识别我所知道的很大程度上需要 edge detection，因为图像难以用数学模型表
达。所以靠的都是跟周围像素的比较，最简单就是减法，但是这个做法过于粗糙，所以
就有了根据图像动态特征适用的滤波器。
但是算起来比较耗时间，而且也不是100%准，最根本的就是图像不能用数学建模。
这个神经网络拟合有什么本质的突破吗？
【在 s***d 的大作中提到】
: 最早ee的人搞得,模型和现在比比较简单, cs的人发扬光大,10+的 神经网络拟合.
|
f****y
发帖数: 243 | 12 DL也没法数学建模的。。。说到底还是统计推断。。。只不过，这次的神经网络层数多
了，相当于用了好大好大一个模型架构，然后，调参。。。
这么大模型咋调参呢？大数据！通过大量数据来拟合这个巨型模型。。。
以前深度的神经网络没法训练的。。。现在提了各种方法，使得深层次的神经网络能训
练了。。。
反正我觉得说到底就是个统计推断。。。还没啥数值稳定性。。。
【在 t*****e 的大作中提到】
: 能不能展开说说，之前硕士的时候跟着老师也弄了一小会视频和图像的处理。
: 图像的识别我所知道的很大程度上需要 edge detection，因为图像难以用数学模型表
: 达。所以靠的都是跟周围像素的比较，最简单就是减法，但是这个做法过于粗糙，所以
: 就有了根据图像动态特征适用的滤波器。
: 但是算起来比较耗时间，而且也不是100%准，最根本的就是图像不能用数学建模。
: 这个神经网络拟合有什么本质的突破吗？
|
C*****5
发帖数: 8812 | 13 深度神经网络的理论基础还有待完善，但是常用于图像分析的ConvNet的前几层做的就
是edge detection和feature extraction,这个东西最美妙的地方就是用到的数学概念
极其简单，懂微分和一点基本的线性代数和统计(任何理工科大学生，甚至生物系的学
生都应该会的)就能理解
神经网络的基本原理。其实这也好理解，Convnet是神经网络里最接近人脑视觉系统的
模型，感光细胞和神经元的结构决定了不可能是很复杂的数学表达。
【在 t*****e 的大作中提到】
: 能不能展开说说，之前硕士的时候跟着老师也弄了一小会视频和图像的处理。
: 图像的识别我所知道的很大程度上需要 edge detection，因为图像难以用数学模型表
: 达。所以靠的都是跟周围像素的比较，最简单就是减法，但是这个做法过于粗糙，所以
: 就有了根据图像动态特征适用的滤波器。
: 但是算起来比较耗时间，而且也不是100%准，最根本的就是图像不能用数学建模。
: 这个神经网络拟合有什么本质的突破吗？
|
C*****5
发帖数: 8812 | 14 赫赫，又见面了。
【在 g****t 的大作中提到】
: 动车，欢迎来我们EE板串门
|
m*****h
发帖数: 2292 | 15 没大数据的场合DL就没啥用
【在 f****y 的大作中提到】
: DL也没法数学建模的。。。说到底还是统计推断。。。只不过，这次的神经网络层数多
: 了，相当于用了好大好大一个模型架构，然后，调参。。。
: 这么大模型咋调参呢？大数据！通过大量数据来拟合这个巨型模型。。。
: 以前深度的神经网络没法训练的。。。现在提了各种方法，使得深层次的神经网络能训
: 练了。。。
: 反正我觉得说到底就是个统计推断。。。还没啥数值稳定性。。。
|
f****y
发帖数: 243 | 16 用了大数据之后，数值稳定性估计是糟的一塌糊涂。。。
：没大数据的场合DL就没啥用
： |
C*****5
发帖数: 8812 | 17 deep net虽然不能理论上保证一定收敛在global minimum, 但是大数据实践显示deep
net存在很多差不多的local minimum，所以大多结果都挺好。理论上有待证明，但是so
far用起来挺好。
【在 f****y 的大作中提到】
: 用了大数据之后，数值稳定性估计是糟的一塌糊涂。。。
:
: ：没大数据的场合DL就没啥用
: ：
|
f****y
发帖数: 243 | 18 这个证明有办法做？
：deep net虽然不能理论上保证一定收敛在global minimum, 但是大数据实践显示deep
：net存在很多差不多的local minimum，所以大多结果都挺好。理论上有待证明，但是
so far用起来挺好。 |
C*****5
发帖数: 8812 | 19 我是没有研究那么深啦，但是上次看某大牛的视频好像提到过。反正实践上deep net
training现在就是搞尽量多的数据，用GPUs+hadoop，开始总归有不收敛或者收敛太慢
的问题，慢慢调参数总能调出来的。
deep
【在 f****y 的大作中提到】
: 这个证明有办法做？
:
: ：deep net虽然不能理论上保证一定收敛在global minimum, 但是大数据实践显示deep
: ：net存在很多差不多的local minimum，所以大多结果都挺好。理论上有待证明，但是
: so far用起来挺好。
|
f****y
发帖数: 243 | 20 。。。。。。蛋疼
：我是没有研究那么深啦，但是上次看某大牛的视频好像提到过。反正实践上deep net
：training现在就是搞尽量多的数据，用GPUs+hadoop，开始总归有不收敛或者收敛太慢 |
C*****5
发帖数: 8812 | 21 数学不需要多漂亮，关键4是要有用。我知道很多传统产业公司都在开始搞DL，只要好
用，越简单暴力越好，不差钱。用DL，连复变函数都不懂的人可以做出牛X的图像处理
应用。
net
太慢
【在 f****y 的大作中提到】
: 。。。。。。蛋疼
:
: ：我是没有研究那么深啦，但是上次看某大牛的视频好像提到过。反正实践上deep net
: ：training现在就是搞尽量多的数据，用GPUs+hadoop，开始总归有不收敛或者收敛太慢
|
