CNN

• 最簡單用TensorFlow實現(xiàn)CNN（cifar10數(shù)據(jù)集）
  

  CNN的本質(zhì)是先把數(shù)據(jù)進行特征提取，再送進DNN。前面特征提取的部分可以概括為CBAPD，C表示卷積（convolution），B表示批標(biāo)準(zhǔn)化（batch normalization），A表示激活（activation），P表示池化（pool），D表示（dropout）

  全棧O-Jay

  850

  12/11 11:02

  CNN TensorFlow
• 借助支持邊緣 AI 的 MCU 優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測
  

  當(dāng)前關(guān)于人工智能 (AI) 和神經(jīng)網(wǎng)絡(luò)的討論主要集中在生成應(yīng)用（生成圖像、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎(chǔ)設(shè)施應(yīng)用中的電子產(chǎn)品帶來變革的實際示例。 不過，雖然在電機驅(qū)動器、太陽能（如圖 1 所示）和電池管理應(yīng)用的實時控制系統(tǒng)中采用 AI 不會像新的大型語言模型那樣引起大量關(guān)注，但使用邊緣 AI 進行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。 圖 1 太陽能電池板陣列 本文中將討

  與非網(wǎng)編輯

  793

  11/28 08:10

  人工智能 MCU
• 通過軟件洞察和用例分析塑造的NPU IP架構(gòu)
  

  Ido Gus,?深度學(xué)習(xí)高級團隊負責(zé)人,?傳感器與音頻業(yè)務(wù)部門, Ceva ? 神經(jīng)處理單元（NPU）的出現(xiàn)徹底改變了機器學(xué)習(xí)領(lǐng)域，使深度學(xué)習(xí)任務(wù)所需的復(fù)雜數(shù)學(xué)計算得以高效地執(zhí)行。通過優(yōu)化矩陣乘法和卷積運算，NPU極大地增強了AI（人工智能）模型在各個領(lǐng)域的能力，從服務(wù)器群到電池驅(qū)動設(shè)備。 TinyML（微型機器學(xué)習(xí)）的出現(xiàn)進一步推動了AI的發(fā)展，其重點是在資源有限的嵌入式設(shè)備上實現(xiàn)機

  與非網(wǎng)編輯

  1881

  07/15 13:51

  NPU mac
• 國方創(chuàng)新與燧原科技聯(lián)合發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟
  

  近日，國方創(chuàng)新和燧原科技共同發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟。在“智算產(chǎn)業(yè)的商業(yè)化落地之路”圓桌環(huán)節(jié)中，與會的嘉賓們進行了全方位的深入討論。 嘉賓們從多個維度探討了人工AIGC（人工智能生成內(nèi)容）和智算中心的商業(yè)化發(fā)展方向，認(rèn)為AIGC技術(shù)在內(nèi)容創(chuàng)造和企業(yè)個性化服務(wù)等方面具有巨大的商業(yè)潛力，并指出了算力優(yōu)化適配和提升國產(chǎn)算力競爭力等挑戰(zhàn)。 在談?wù)揂IGC商業(yè)化落地時，澎峰科技COO王軍輝表示：

  深圳王哥

  1093

  06/06 07:19

  人工智能 CNN
• 一文總結(jié)CNN中【各類卷積】操作
  

  本文詳細總結(jié)CNN中各類卷積，旨在指導(dǎo) domain-specific 更好的模型設(shè)計，包括標(biāo)準(zhǔn)卷積，分組卷積（Group Conv），深度可分離卷積（Depthwise Separable Conv），轉(zhuǎn)置卷積（Transposed Conv），空洞卷積（Dilated Conv），可變形卷積（Deformable Conv），和 特征重標(biāo)定技術(shù)（Squeeze-and-Excitation）。

  全棧O-Jay

  3973

  05/06 08:07

  卷積神經(jīng)網(wǎng)絡(luò) CNN
• 一文總結(jié)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)CNN模型
  

  CNN（卷積神經(jīng)網(wǎng)絡(luò)）更適合計算機視覺領(lǐng)域。下面總結(jié)從1998年至今的優(yōu)秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。在了解巨佬們的智慧結(jié)晶，學(xué)習(xí)算法上的思路和技巧，便于我們自己構(gòu)建模型，也便于我們做遷移學(xué)習(xí)。

  全棧O-Jay

  6689

  05/05 08:07

  卷積神經(jīng)網(wǎng)絡(luò) CNN
• 愛芯元智獲評人工智能大會“最具創(chuàng)新價值產(chǎn)品獎”并正式發(fā)布愛芯派Pro
  

  目前，愛芯元智已經(jīng)量產(chǎn)了四代多顆應(yīng)用于不同行業(yè)領(lǐng)域的視覺感知芯片，并堅持基于算法、芯片、產(chǎn)品的垂直整合，為合作伙伴提供全棧式解決方案，幫助客戶實現(xiàn)最新技術(shù)的快速落地。面向人工智能產(chǎn)業(yè)的高速發(fā)展，愛芯元智也將通過持續(xù)的技術(shù)創(chuàng)新，提高芯片性能、降低成本，讓邊端智能更加普惠，最終實現(xiàn)“普惠AI 造就美好生活”的使命。

  與非網(wǎng)編輯

  2867

  2023/08/25

  人工智能 NPU
• Fashion-MNIST驗證機識別率可達98%？
  

  看到一篇會議論文[1]，宣稱用lenet-5在fmnist上可以實現(xiàn)超過98%的識別率。當(dāng)時看到就驚呆了！先介紹一下論文主體內(nèi)容：第一部分引言強調(diào)了CNN在計算機視覺中有廣泛的應(yīng)用，并引出了lenet5是一個重要的CNN模型，并分6個方面闡述Fashion-MNIST是一個復(fù)雜的數(shù)據(jù)集。

  森森Techdaily

  1738

  2023/05/08

  計算機視覺 CNN
• 卷積神經(jīng)網(wǎng)絡(luò)簡介：什么是機器學(xué)習(xí)？——第一部分
  本文討論了CNN相對于經(jīng)典線性規(guī)劃的優(yōu)勢，后續(xù)文章《訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：什么是機器學(xué)習(xí)？——第二部分》將討論如何訓(xùn)練CNN模型，系列文章的第三部分將討論一個特定用例，并使用專門的AI微控制器對模型進行測試。

  與非網(wǎng)編輯

  2160

  2023/04/17

  人工智能 神經(jīng)網(wǎng)絡(luò)
• ?Transformer+CNN，引領(lǐng)新一代AI發(fā)展
  視覺應(yīng)用作為人工智能最普及的基礎(chǔ)設(shè)施層，重要性卻不言而喻。它可以說是人工智能機器的‘眼睛’，賦予它感知的能力，使它能夠‘看懂’這個世界。而計算機視覺中的深度神經(jīng)網(wǎng)絡(luò)（DNN）架構(gòu)則是這雙眼睛的‘視網(wǎng)膜’，賦予了它可視的源泉。

  TechSugar

  3552

  2023/03/23

  卷積神經(jīng)網(wǎng)絡(luò) CNN
• 一文精簡介紹CNN神經(jīng)網(wǎng)絡(luò)
  這是love1005lin在CSDN上2021-11-19發(fā)布的一篇深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)，內(nèi)容整理的精簡，移動，現(xiàn)在將其進行轉(zhuǎn)載，供大家參考。

  卓晴

  1846

  2021/12/07

  神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)
• 我用90年代的古董電腦訓(xùn)練CNN
  在90年代的電腦上實現(xiàn)CNN是一種什么體驗？

  量子位

  203

  2021/02/20

  AI 電腦
• 高速全局快門圖像傳感器如何減輕基于AI的視覺系統(tǒng)的負擔(dān)
  視覺傳感器對于數(shù)據(jù)采集正變得越來越重要。最初的簡單圖像傳感器為攝影應(yīng)用開發(fā)，如今的圖像傳感器用于向人工智能(AI)和機器學(xué)習(xí)系統(tǒng)提供高質(zhì)量的輸入。這些系統(tǒng)已成為利用新的和創(chuàng)新的處理器架構(gòu)的精密決策實體。

  安森美半導(dǎo)體

  203

  2020/11/24

  傳感器 AI
• 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點
  卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種深度學(xué)習(xí)算法，在計算機視覺和模式識別領(lǐng)域取得了巨大的成功。它通過多層卷積和池化操作來提取圖像特征，并通過全連接層進行分類或回歸。本文將探討卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點和缺點，以及它在不同領(lǐng)域的應(yīng)用。

  eefocus_3901714

  1.3萬

  01/04 13:20

  深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò)
• CNN神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點 CNN與NN的區(qū)別
  卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種在計算機視覺和圖像處理領(lǐng)域廣泛應(yīng)用的深度學(xué)習(xí)模型。它的設(shè)計靈感來自于對生物視覺系統(tǒng)的研究，并通過多層卷積和池化操作實現(xiàn)對圖像特征的有效提取。本文將重點探討CNN神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點，并與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）進行比較。

  eefocus_3901714

  1.8萬

  2023/09/19

  卷積神經(jīng)網(wǎng)絡(luò) CNN

正在努力加載...