在本文中，我们将建立一个利用大豆叶片图像进行病虫害分类的深度学习模型。这些技术还有助于对农田进行健康监测，以确保农产品的质量。预测尚未确定的新叶子的疾病。准确性用作此案例研究的评估指标。它定义为正确预测的样本数与预测总数之比。第2部分：数据收集该机器学习数

在这篇文章中，我们将了解图像增强的概念以及有什么不同的图像增强技术。我们还将使用PyTorch实现这些图像增强技术来构建一个图像分类深度学习模型。深度学习模型通常需要大量的数据来进行训练。并非每个人都拥有大公司的财力。但获取大量数据本身也存在挑战。缺乏数据

转眼间2019年已经过去了快一半，这对于日新月异的深度学习技术已经算是很长一段发展时间。Open Data Science在Medium上整理了2019年到现在为止深度学习技术发布的精华成果，选择的论文都是在GitHub平台上有相关代码的论文。文摘菌为大家

还记的吴恩达在斯坦福最新的深度学习课程么？那是继deeplearning.ai深度学习专项课程之后吴恩达的又一神作。课程涉及深度学习的基础知识、神经网络构建，以及如何完成一个成功的机器学习项目。这一部分包括TensorFlow简介和数据的预处理。第四部分是

深度学习总是比机器学习解决所有类型的分类问题更好的解决方案吗？在这篇文章中，我们将通过创建我们自己的数据集来解决一个特定的问题，我们应用机器学习和深度学习以查看哪一个给出了最佳分类结果。我们试图找到一个问题，机器学习似乎很容易解决，看看DL是否会在这些问题

机器学习/深度学习模型的真实质量来自广泛的特征工程，而不是来自建模技术本身。虽然特定的机器学习技术可能最适合特定的业务问题/数据集，但功能是任何建模项目的通用驱动程序/关键组件。从可用数据集中提取尽可能多的信息对于创建有效的解决方案至关重要。CNN的业务问

在本教程中，我们将探索一种名为Autoencoders的无监督学习神经网络。自动编码器是用于在输出层再现输入的深度神经网络，即输出层中的神经元数量与输入层中的神经元数量完全相同。这张图片代表了一个典型的深层自动编码器的结构。自动编码器以类似的方式工作。体系

呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！此版本包括Tensorflow的新执行模式的预览版本和Tensorflow

书籍介绍《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，

人工智能我认为一般人们在思考Artificial Intelligence时，会想到Artificial General Intelligence，或者说非生物实体能够在人类层面上成功执行各种各样的任务（或更好）熟练程度。我们已经在日常生活中使用了狭窄的人

今天我们将建立我们自己的深度学习终极大杀器。我们会搜集最好的精华，并且把他们组合成数字终结者。我们也会讨论如何把最新的深度学习软件架构一步步安装到Ubuntu Linux 16.04中。在这台机器上运行神经网络就像热激光束穿过黄油一样快捷流畅。你不用花超过

TensorFlow 是一个采用数据流图，用于数值计算的开源软件库。节点在图中表示数学操作，图中的线则表示在节点间相互联系的多维数据数组，即张量。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU，服务器，移动设备等等。最初由Go

如今，深度学习无处不在——手表、电视、手机，以及你正在阅读本文的平台上。本文旨在探讨如何以一种非常简单的方式使用深度学习。但在此之前，我们需要了解语义层。简言之，深度学习使用不同类型的神经网络进行表示学习，并优化网络的超参数来获得(或学习)数据的最佳表示。

深度学习是目前人工智能领域的核心技术之一，为了更方便地开发基于深度学习的方法以及推进深度学习技术的进步，多个世界顶级的技术团队为深度学习开发了框架，其中大部分都是开源的并且提供了针对Python语言的开发包，无论是对于Python还是深度学习这都是一件极好