?课程学习中心|?深度学习课程合辑|?课程主页|?中英字幕视频|?项目代码解析课程介绍MIT6.S191是全球顶校麻省理工开设的深度学习方向的入门课程。课程讲解了深度学习算法的基础知识，并帮助学生使用TensorFlow构建神经网络。课程覆盖了计算机视觉、自然语言处理、生物学等诸多方向和领域，帮助初入门深度学习的同学，构建良好全面的基础知识体系。MIT6.S191课程内容覆盖深度学习经典模型（深度神经网络、卷积神经网络、循环神经网络、强化学习），也体现了研究界和工业界的关注点。课程包含多个实践项目，可以有效培养学生的动手能力。课程学习的必要前置知识包括微积分和线性代数；具备Python编程经验
SML中的边界抑制以及高斯平滑边界平滑抑制类classBoundarySuppressionWithSmoothing(nn.Module):"""Applyboundarysuppressionanddilatedsmoothing边界抑制，扩张平滑"""初始化def__init__(self,boundary_suppression=True,boundary_width=4,boundary_iteration=4,dilated_smoothing=True,kernel_size=7,dilation=6):定义一些参数super(BoundarySuppressionWithSmo
SML中的边界抑制以及高斯平滑边界平滑抑制类classBoundarySuppressionWithSmoothing(nn.Module):"""Applyboundarysuppressionanddilatedsmoothing边界抑制，扩张平滑"""初始化def__init__(self,boundary_suppression=True,boundary_width=4,boundary_iteration=4,dilated_smoothing=True,kernel_size=7,dilation=6):定义一些参数super(BoundarySuppressionWithSmo
本文使用深度神经网络完成计算蛋白质设计去预测20种氨基酸概率。Introduction针对特定结构和功能的蛋白质进行工程和设计，不仅加深了对蛋白质序列结构关系的理解，而且在化学、生物学和医学等领域都有广泛的应用。在过去的三十年里，蛋白质设计取得了显著的成功，其中一些设计是由计算方法指导的。最近一些成功的计算蛋白设计的例子包括新折叠，酶设计，疫苗，抗体，新的蛋白质组装，配体结合蛋白和膜蛋白。ResultsNetworksarchitecture,input,andtraining数据集：数据集来源于PDB且具有如下特征：（1）用x射线晶体学确定结构;（2）分辨率优于$$2\rA$$;（3）链长大
本文使用深度神经网络完成计算蛋白质设计去预测20种氨基酸概率。Introduction针对特定结构和功能的蛋白质进行工程和设计，不仅加深了对蛋白质序列结构关系的理解，而且在化学、生物学和医学等领域都有广泛的应用。在过去的三十年里，蛋白质设计取得了显著的成功，其中一些设计是由计算方法指导的。最近一些成功的计算蛋白设计的例子包括新折叠，酶设计，疫苗，抗体，新的蛋白质组装，配体结合蛋白和膜蛋白。ResultsNetworksarchitecture,input,andtraining数据集：数据集来源于PDB且具有如下特征：（1）用x射线晶体学确定结构;（2）分辨率优于$$2\rA$$;（3）链长大
ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景：在计算机视觉领域，识别大规模图像集合是一个重要的任务。然而，由于数据量大，多样性复杂，传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题，其中卷积神经网络（CNNs）被证明在大规模视觉识别任务中非常有效。2.研究内容：本文介绍了一个基于卷积神经网络的深度学习模型，名为AlexNet。该模型通过在大规模视觉识别挑战（ILSVRC）上获得了最好的成绩，使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法：AlexNet是一个由8个神经
ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景：在计算机视觉领域，识别大规模图像集合是一个重要的任务。然而，由于数据量大，多样性复杂，传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题，其中卷积神经网络（CNNs）被证明在大规模视觉识别任务中非常有效。2.研究内容：本文介绍了一个基于卷积神经网络的深度学习模型，名为AlexNet。该模型通过在大规模视觉识别挑战（ILSVRC）上获得了最好的成绩，使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法：AlexNet是一个由8个神经
气死我了，搜半天没有，全让序列化再反序列化，又不方便又不美观。结果自己试着一写就通，两行完事。首先先安装Newtonsoft.Json包，这个很常用也很简单，随便搜一下安上就行，早晚得学。然后两行代码：publicstaticTDeepCopy(TDeepCopyObject){string_=JsonConvert.SerializeObject(DeepCopyObject);returnJsonConvert.DeserializeObject(_);} 成了注意，我只实验了class里只有变量的class如下，带上方法的我还没试，懒得实验了，反正我够用了。publicclassCrea
气死我了，搜半天没有，全让序列化再反序列化，又不方便又不美观。结果自己试着一写就通，两行完事。首先先安装Newtonsoft.Json包，这个很常用也很简单，随便搜一下安上就行，早晚得学。然后两行代码：publicstaticTDeepCopy(TDeepCopyObject){string_=JsonConvert.SerializeObject(DeepCopyObject);returnJsonConvert.DeserializeObject(_);} 成了注意，我只实验了class里只有变量的class如下，带上方法的我还没试，懒得实验了，反正我够用了。publicclassCrea
这是一篇linkedin发表的深度迁移学习综述,里面讲了一些对于search/recommendsystem中的迁移学习应用.有不少指导性的方法,看完后摘录出来对于ranking方向的TL,主要有两种transfer方式:Modeltransfer对于参数量非常大的预训练模型,Fine-tuning训练代价比较大,这里基本没介绍,不太可行.更适合应用的方式是multi-tasktraining.(尤其是在多个产品线通过user来联系的场景)Crossdomain:适用场景为冷启问题(新用户/新场景),提升accuracy(减少数据稀疏性,学到更多的健壮特征),增强用户模型,主要有下面这几种实现
