红色石头的个人博客

红色石头 发布于 2021-06-01

这是 Transformer 系列第一篇！ 参考论文：https://arxiv.org/abs/1706.03762 章节 Reasons Self-Attention Multi-Head Attention Positional Encoding Add & Nor...

阅读(23797)评论(0)赞 (2)标签：Transformer / 深度学习

红色石头 发布于 2021-06-01

无论你是学习机器学习还是深度学习，看学术论文必不可少。作为 AI 初学者而言，如何挑选更适合自己、更容易学习的 AI 论文尤为重要！真的会起到事半功倍的效果。 今天给大家推荐一个非常不错的 GitHub 开源项目：TopPaper。该项目汇聚了 AI 方向重点核心的论文，方便初学...

阅读(28398)评论(0)赞 (6)标签：机器学习 / 深度学习 / 资源

红色石头 发布于 2021-06-01

无论是做机器学习、深度学习、自然语言处理还是其它领域，算法的重要性不言而喻！吃透算法底层原理、掌握算法数学推导和代码实现，对提高自己的硬核实力来说非常重要！今天给大家推荐一个超赞的开源算法笔记！中文版！而且在 GitHub 上已经收获了近 1k 的赞了！ 首先放上该笔记的 Git...

阅读(38625)评论(0)赞 (1)标签：机器学习 / 算法

红色石头 发布于 2021-04-16

【简介】 本文提出了一种新的采样策略——输出多样化采样，替代对抗攻击方法中常用的随机采样，使得目标模型的输出尽可能多样化，以此提高白盒攻击和黑盒攻击的有效性。实验表明，该种采样策略可以显著提升对抗攻击方法的性能。 论文地址： https://arxiv.org/abs/2003....

阅读(4239)评论(0)赞 (2)标签：机器学习 / 深度学习 / 神经网络

红色石头 发布于 2021-03-15

实际工作中，目标检测 yolov3 或者 yolov4 模型移植到 AI 芯片中，经常需要将其先转换为 caffe1.x 模型，大家可能或多或少也有这方面的需求。例如华为海思 NNIE 只支持caffe1.x 模型，所以 yolov3/yolov4 模型要想在海思芯片上部署，转换...

阅读(6362)评论(0)赞 (1)标签：Caffe / YOLO / 深度学习

红色石头 发布于 2021-03-07

提起李宏毅老师，熟悉机器学习的读者朋友一定不会陌生。最典型的就是开局一言不合就“宝可梦”。李宏毅老师幽默风趣的教学风格也吸引力很多机器学习爱好者。 李宏毅老师的机器学习课程可以说是最具代表性的中文公开课之一，已成为大量国内初学者的首选。2021 年，李宏毅老师的机器学习课程又于 ...

阅读(33091)评论(0)赞 (4)标签：机器学习 / 李宏毅 / 课程

红色石头 发布于 2021-03-03

今天给大家推荐一个硬核干货：一个基于 PyTorch 的图像模型库（PyTorch Image Models，TIMM），用于最新图像分类。 这个库从 330+ 种预训练的最新图像分类模型中进行选择，方便我们使用提供的脚本在 ImageNet 等研究数据集上重新训练模型。而且，可...

阅读(6258)评论(0)赞 (4)标签：GitHub / 机器学习 / 深度学习 / 资源

红色石头 发布于 2021-03-02

系列文章： 吴恩达《Machine Learning》精炼笔记 1：监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2：梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3：回归问题和正则化 吴恩达《Machine Learning...

阅读(5777)评论(0)赞 (2)标签：吴恩达 / 机器学习

红色石头 发布于 2021-03-02

系列文章： 吴恩达《Machine Learning》精炼笔记 1：监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2：梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3：回归问题和正则化 吴恩达《Machine Learning...

阅读(3935)评论(0)赞 (5)标签：吴恩达 / 机器学习

红色石头 发布于 2021-01-23

系列文章： 吴恩达《Machine Learning》精炼笔记 1：监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2：梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3：回归问题和正则化 吴恩达《Machine Learning...

阅读(5238)评论(0)赞 (0)标签：吴恩达 / 机器学习