1.深入了解神经网络的组成、训练和实现，掌握深度空间特征分布等关键概念； 2.掌握迁移学习的思想与基本形式，了解传统迁移学习的基本方法，对比各种方法的优缺点； 3.握深度迁移学习的思想与组成模块，学习深度迁移学习的各种方法； 4.掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法，了解迁移学习在PDA、Source-Free DA上的应用； 5.掌握深度迁移学习在语义分割、目标检测、行人重识别等任务中的应用，学习图像/视频风格迁移方法，了解风格迁移在实际生活中的应用； 6.掌握小样本学习、Transformer等前沿方法和基本思想，了解小样本学习、Transf...

递归神经网络（RNN） RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKey keyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段落或文档的所有token。前馈网络的设计只是为了一次性地查看所有特征并将它们映射到输出。让我们看一个文本示例，它显示了为什么顺序或序列特性对文本很重要。I had cleaned my car和I had my car clean...

为积极响应科研及工作人员需求，根据国务院《国家中长期人才发展规划纲要（2010-2020年）》和人社部《专业技术人才知识更新工程实施方案（2010-2020年）》文件精神，中国管理科学研究院现代教育研究所 主办单位：中国管理科学研究院现代教育研究所 承办单位：北京龙腾亚太教育咨询有限公司、北京新鼎聚成文化传媒有限公司 注：发票由具体承办单位开具。 一、培训专家: 中国科学院计算技术研究所、清华大学、北京理工大学等科研机构和大学的高级专家，拥有丰富的科研及工程技术经验，长期从事人工智能、机器学习、深度学习、大数据分析等领域的教学与研究工作。 二、时间安排: 202...

序列数据和文本的深度学习用于构建深度学习模型的不同文本数据表示法：理解递归神经网络及其不同实现，例如长短期记忆网络（LSTM）和门控循环单元（Gated Recurrent Unit，GRU），它们为大多数深度学习模型提供文本和序列化数据；为序列化数据使用一维卷积。可以使用RNN构建的一些应用程序如下所示。文档分类器：识别推文或评论的情感，对新闻文章进行分类。序列到序列的学习：例如语言翻译，将英语转换成法语等任务。时间序列预测：根据前几天商店销售的详细信息，预测商店未来的销售情况。1 使用文本数据文本是常用的序列化数据类型之一。文本数据可以看作是一个字符序列或词的序列。对大多数问题，我们都将文本看作词序列。深度学习序列模型（如RNN及其变体）能够从文本数据中学习重要的模式。这些模式可以解决类似以下领域中的问题：自然语言理解；文献分类；情感分类。这些序列模型还可以作为各种系统的重要构建块，例如问答（Question and Answering，QA）系统。虽然这些模型在构建这些应用时非常有用，但由于语言固有的复杂性，模型并不能真正理解人类的语言。这些序列模型能够成功地找到可执行不同任务的有用模式。将深度学习应用于文本是一个快速发展的领域，每月都会有许多新技术出现。我们将会介绍为大多数现代深度学习应用提供支持的基本组件。与其他机器学习模型一样，深度学习模型并不能理解文本，因此需要将文本转换为数值的表示形式。将文本转换为数值表示形式的过程称为向量化过程，可以用不同的方式来完成，概括如下：将文本转换为词并将每个词表示为向量；将文本转换为字符并将每个字符表示为向量；创建词的n-gram并将其表示为向量。文本数据可以分解成上述的这些表示。每个较小的文本单元称为token，将文本分解成token的过程称为分词（tokenization）。在Python中有很多强大的库可以用来进行分词。一旦将文本数据转换为token序列，那么就需要将每个token映射到向量。one-hot（独热）编码和词向量是将token映射到向量最流行的两种方法。图6.1总结了将文本转换为向量表示的步骤。图6.1下面介绍分词、n-gram表示法和向量化的更多细节。

计算机视觉与信息取证最新技术

机器学习基础 本章涵盖了以下主题： · 分类和回归之外的其他类型的问题； · 评估问题，理解过拟合、欠拟合，以及解决这些问题的技巧； · 为深度学习准备数据。 请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。 4.1 三类机器学习问题 在之前的所有例子中，尝试解决的是分类（预测猫或狗）或回归（预测用户在平台上花费的平均时间）问题。所有这些都是有监督学习的例子，目的是找到训练样例和目标之间的映射关系，并用来预测未知数据。 有监督学习只是机器学习的一部分，机器学习也有其他不同的部分...

各有关单位: 2017年7月，国务院发布《新一代人工智能发展规划》。2019年7月，在党的“不忘初心，牢记使命”***主席主持的学习中明确提出“人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的“头雁”效应。” 《新一代人工智能发展规划》明确提出了“建立新一代人工智能关键共性技术体系”的重点任务，特别强调了要解决“研究跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术，开发跨媒体分析推理引擎与验证系统”的关键共性技术问题。 为积极响应科研及工作人员需求，根据《国务院关于推行终身职业技能培训制度的意见》提出的“紧跟...

深入了解神经网络 本章将介绍用于解决实际问题的深度学习架构的不同模块。前一章使用PyTorch的低级操作构建了如网络架构、损失函数和优化器这些模块。本章将介绍用于解决真实问题的神经网络的一些重要组件，以及PyTorch如何通过提供大量高级函数来抽象出复杂度。本章还将介绍用于解决真实问题的算法，如回归、二分类、多类别分类等。 本章将讨论如下主题： · 详解神经网络的不同构成组件； · 探究PyTorch中用于构建深度学习架构的高级功能； · 应用深度学习解决实际的图像分类问题。 3.1 详解神经网络的组成部分 上一章已经介绍了训练深度学习算法需要的几个步...

使用深度学习进行图像分类 解决任何真实问题的重要一步是获取数据。Kaggle提供了大量不同数据科学问题的竞赛。我们将挑选一个2014年提出的问题，然后使用这个问题测试本章的深度学习算法，并在第5章中进行改进，我们将基于卷积神经网络（CNN）和一些可以使用的高级技术来改善图像识别模型的性能。大家可以从https://www.kaggle.com/c/dogs-vs-cats/data下载数据。数据集包含25,000张猫和狗的图片。在实现算法前，预处理数据，并对训练、验证和测试数据集进行划分是需要执行的重要步骤。数据下载完成后，可以看到对应数据文件夹包含了如图3.6所示的图片。 ...

        随着遥感技术的飞速发展,遥感图像目标检测在资源勘探、城市规划、自然灾害评估等方面得到广泛应用.遥感影像背景复杂、目标尺度较小,难以检测.针对此问题,文中提出基于深度强化学习的遥感图像可解释目标检测方法.首先,将深度强化学习应用于超快速区域神经网络中的候选区域生成网络,修改激励函数,提高对遥感图像的检测精度.然后,将原有参数量较大的主干网络轻量化,提高方法的检测速度和可移植性.最后,利用网络解剖方法对隐层表征的可解释性进行量化,赋予方法人类理解的可解释性概念.实验表明,文中方法在3个公开的遥感数据集上的性能有所提升.通过改进的网络解剖方法进一步验证方法的有效性. ...