發(fā)簡信
IP屬地：北京
-
2019-12-25推薦總結(jié)第一個問題：我們知道在個性化推薦系統(tǒng)里，第一個環(huán)節(jié)一般是召回階段，而召回階段工業(yè)界目前常規(guī)的做法是多路召回，每一路召回可能采取一個不同的策略。那...
-
2019-08-13 Evaluating the visualization of what a Deep Neural Network has learned
這篇文章提出了一種對那些用熱力圖解釋神經(jīng)網(wǎng)絡(luò)分類依據(jù)方法的效果進行客觀比較的方法。而不是人主觀的去肉眼比較，用到的數(shù)據(jù)集是SUN397,ILSV...
-
2019-08-08記錄一些網(wǎng)站
http://shixialiu.com/publications/cnnvis/demo/ 百度開發(fā)的框架paddlepaddle visualDL
-
2019-08-08https://www.leiphone.com/news/201711/aNw8ZjqMuqvygzlz.html這些圖樣就像是作弊圖形，用現(xiàn)實生活中不存在的方式激活了神經(jīng)元。如果優(yōu)化的步驟足夠多，最終得到的東西是神經(jīng)元確實有響應(yīng)，但人眼看來全都是高頻圖樣的...
-
2019-07-21Visualizing Higher-Layer Features of a Deep Network
這篇文章很早了，2009年的 提出了三種方法 1.AM 尋找給定節(jié)點的最大激活模式， 2.DBN采樣，不懂 3.線性組合 意思是說第二層學(xué)到的特...
-
Understanding Neural Networks Through Deep Visualization
很早的文章 2015http://yosinski.com/deepvis 提出兩種工具：（1）可視化激活值（2）第二種方法通過一種正則化的方法...
-
Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space
即插即用生成網(wǎng)絡(luò) http://EvolvingAI.org/ppgn. （1）以前的研究展示了通過激活一個或者一組神經(jīng)元用梯度上升方法來產(chǎn)...
-
Understanding Neural Networks via Feature Visualization: A survey（2）綜述太長，分兩部分寫。 文章第二部分介紹了Plug and Play Generative Networks這篇文章中提到了一個概率解釋公式，在...
-
Understanding Neural Networks via Feature Visualization: A survey（1）奧本大學(xué) 美國80左右的大學(xué) （1）回顧現(xiàn)有的AM（激活最大算法）（2）討論現(xiàn)有AM算法概率意義的解釋，（3）回顧AM在調(diào)試和解釋網(wǎng)絡(luò)的應(yīng)用 （...