几个月前，华南大学发表了一篇关于“颜值预测”的论文和数据集。你可以通过这个地址找到（https://arxiv.org/abs/1801.06345）。这个数据集包括5500人，他们的得分有1到5分的吸引力。
以下是一些来自论文的例子：
还有一些著名的人在集合中。我们可以看到朱莉娅罗伯特的照片平均得分为3.78：
2024年07月30日
几个月前，华南大学发表了一篇关于“颜值预测”的论文和数据集。你可以通过这个地址找到（https://arxiv.org/abs/1801.06345）。这个数据集包括5500人，他们的得分有1到5分的吸引力。
以下是一些来自论文的例子：
还有一些著名的人在集合中。我们可以看到朱莉娅罗伯特的照片平均得分为3.78：
2024年07月30日
海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
近十年来，扫描探针、电子显微镜和光学显微镜的光谱成像方法发展迅速，导致了大型多维数据集的兴起。在许多情况下，将高光谱数据降维到较低维度的材料特征参数，要依赖功能拟合，虽然拟合函数的近似形式是已知的，但函数的参数却是需要人为确定的。然而，通过迭代方法实现噪声数据的功能拟合（如最小二乘梯度下降），常常会出现虚假结果。
2024年07月30日
训练一个深度神经网络并使其获取最佳的性能是一件具有挑战的任务。
原标题 | Optimization Problem in Deep Neural Networks
翻译 | Ryan（西安理工大学）、肖书忠（深信服）
编辑 | Pita （注：相关链接可点击阅读原文访问）
2024年04月18日
选自DeepMind
机器之心编译
近日，DeepMind在其官方博客上发表了一篇题为《Interpreting Deep Neural Networks using Cognitive Psychology》的文章，试图通过认知心理学来解决深度神经网络中的「黑箱问题」，随着神经网络被广泛应用于实际事例，这一问题正变得越发重要；并且在已被ICML收录的DeepMind最新论文《Cognitive Psychology for Deep Neural Networks: A Shape Bias Case Study》中，其证明了认知心理学工具能够揭示DNN背后隐藏的计算特性，同时也为人类学习语言提供了一种计算模型。机器之心对博客文章和论文摘要进行了编译。原文链接见文中。
2024年04月18日
人工神经网络(ANN)由许多相互连接的神经元组成:
每个神经元接受一些浮点数(例如1.0、0.5、-1.0)，并将它们乘以一些称为权重的其他浮点数（例如0.7,0.6,1.4）（1.0 * 0.7 = 0.7,0.5 * 0.6 = 0.3， -1.0 * 1.4 = -1.4）。权重作为一种机制，用于关注或忽略某些输入。然后将加权输入(例如0.7 + 0.3 + -1.4 = -0.4)和偏差值(例如-0.4 + -0.1 = -0.5)相加。
2024年04月18日
训练深度神经网络很困难。它需要知识和经验才能正确地训练和获得最佳模型。在这篇文章中，我想分享我在深度神经网络训练中学到的知识。以下提示和技巧可能对您的研究有益，可以帮助您加速网络架构或参数搜索。
1）在开始构建网络体系结构之前，首先需要做的是，如果输入（x）对应于标签（y），则将输入数据验证到网络中。在密集预测的情况下，确保将ground-truth标签（y）正确编码为标签索引（或one-hot编码）。如果没有，训练将无效。
2024年04月18日
近日，英特尔的研究者提出新型深度神经网络压缩技术 DeepThin，适合移动端设备，性能优于其他压缩技术。
论文：DeepThin: A Self-Compressing Library for Deep Neural Networks
2024年04月18日
1新智元编译
题目：使用基于能量的概率估计的深度有向生成模型（Deep Directed Generative Models with Energy-Based Probability Estimation）
作者：加拿大蒙特利尔大学 Taesup Kim、Yoshua Bengio
2024年04月18日
新智元报道
深度神经网络在容量（capacity）足够的情况下，能够对任意复杂函数进行表征，因此也被称为通用的函数逼近器（universal approximators）。不仅如此，最近的工作表明，深度神经网络的表达能力（expressiveness）随着深度呈指数增长。