神经网络

大家好！ “TensorFlow 开发者出道计划” 第一期正在火热展开中！在11月-1月，出道计划第一期围绕“如何入门 TensorFlow”，社区内上线了超级多的实用技术干货，更重磅邀请来自 CSDN 的百大热门技术博主倾囊分享成长心得。在社区的问答版块，关于 TensorFlow 的讨论也在实时火热进行中！ 为了帮助开发者伙伴更方便检索到这些优质内容，小编特地整理了本篇精华帖，为大家收录优质内容的链接直通车，帮助大家一步到位 get 到自己想要看的好内容！本篇精华帖将持续更新，建议你动动手指把它收录到自己的“收藏夹”，随时查阅哦！ 特邀 社区作者 分享学习成长心路历程 & 技巧！（持续更新中） 我是管小亮： 《关于 TensorFlow 入坑那些事儿》 文章提要： 新手入门 TensorFlow，如何学习？如何高效、快速地学习？CSDN 百万粉丝博客专家@我是管小亮 畅谈经验和见解，为你打开通向新世界的大门！ 希望像上面的作者一样，让您的个人洞见、项目实践被更多社区开发者看到，欢迎 点击这里 了解更多。 在 社区问答版块 也有了不少开发者关心的内容得到了热烈的 回复 ，看看是否也有你所关心的话题： 问题1: 从零接触 TensorFlow，我该选择1.0还是2.0版本？ 是不是感受到了这些优质回答确实有帮您解答了在入门 TensorFlow 遇到的一些学习瓶颈或是实操问题

研究者表示，这是卷积神经网络与 Transformer 首度结合用于视频帧合成。 选自arXiv，作者：Zhouyong Liu 等，机器之心编译，机器之心编辑部。 深度卷积神经网络（CNN）是功能非常强大的模型，在一些困难的计算机视觉任务上性能也很卓越。尽管卷积神经网络只要有大量已标记的训练样本就能够执行，但是由于物体的变形与移动、场景照明变化以及视频序列中摄像头位置的变化，卷积神经网络在视频帧合成方面的表现并不出色。 近日，来自东南大学的研究者提出了一种新型的端到端架构，称为卷积 Transformer（ConvTransformer），用于视频帧序列学习和视频帧合成。ConvTransformer 的核心组件是文中所提出的注意力层，即学习视频序列序列依赖性的多头卷积自注意力。ConvTransformer 使用基于多头卷积自注意力层的编码器将输入序列映射到特征图序列，然后使用另一个包含多头卷积自注意层的深度网络从特征图序列中对目标合成帧进行解码。 在实验阶段的未来帧推断任务中，ConvTransformer 推断出的未来帧质量媲美当前的 SOTA 算法。研究者称这是 ConvTransformer 架构首次被提出，并应用于视频帧合成。 论文地址： https:// arxiv.org/abs/2011.1018 5 卷积 Transformer 架构 如图 2 所示

宋思蒙（左）& 黄 敏（右） 宋思蒙和黄敏同在2014年进入进入交大电院学习，但迟到的缘分让两人读研时才第一次相遇。如今，在交大校园相识相知的他们，将怀揣着共同的理想，追随他们共同的偶像——黄旭华院士的脚步，携手相伴，投身国防，与祖国同行。 >>>> 宋思蒙 电子信息与电气工程学院 电气工程系 2021届硕士研究生 黄 敏 电子信息与电气工程学院 电气工程系 2021届硕士研究生 毕业去向 中国船舶重工集团公司第七一九研究所 初入交大，思源致远 领悟青春责任与家国情怀 2014年，来自重庆的宋思蒙和来自湖北的黄敏均以优异的成绩考入上海交通大学，开启了自己的大学生活。谈到多年前初入校园时的感受，两人印象最深的就是开学新生第一课的那句“选择交大，就选择了责任”，他们也在一次次的志愿活动和社会服务中，领悟交大责任的内涵。 刚进交大时，黄敏就加入了学校爱心家教团队，从大一到大二的四个学期，他几乎每个周末都会给学生进行辅导，风雨无阻，被江川路社区推荐评为学校优秀爱心教员。在谈及做爱心家教的感受时，他至今仍流露出满满的自豪感和幸福感。同时，黄敏同学还担任了18级本科生班主任助理，时常鼓励同学们的学业和生活，与他们建立了深厚的友谊。 同样在交大求学期间就热衷公益的宋思蒙，更将这种社会服务意识延续到了国外。在成为国家公派留学生留学法国时，她作为学校学生联合会的主要负责人之一，主持

点击上面"脑机接口社区"关注我们 更多脑机干货第一时间送达 2020年4月3日 脑机头条 第39期 最近麻省理工学院发布了一项黑科技--3D打印柔软大脑电极。 MIT赵选贺教授研究团队开发出一种3D打印神经探针和其他电子设备的方法，3D打印柔软大脑电极就像橡胶一样柔软灵活。研究成果已发表在Nature Communications上，题为“3D printing of conducting polymers”。 论文地址： https://www.nature.com/articles/s41467-020-15316-7 研究人员将这种类似于液体的导电聚合物溶液转化成一种更像粘性牙膏的物质，并将其放入3D打印机中，然后打印出稳定的导电图案。 图1 图2 研究人员将这些软电子设备植入小鼠的大脑中。当小鼠在一个可控的环境中自由移动时，研究人通过植入的神经探针能够捕捉到单个神经元的活动。 然后通过监测这种活动来获取更高分辨率的大脑活动图像，以此可以帮助制定治疗方案和长期大脑植入物，以应对各种神经系统疾病。 MIT博士生Hyunwoo Yuk表示：“我们希望通过演示，人们可以使用这种技术快速制造出不同的设备，可以更改设计、运行打印代码并在30分钟内生成新的设计。希望这将简化神经接口的开发，完全由软材料制成。” 导电聚合物是一种具有类似塑料的柔韧性和类似金属的电导率的材料

作者 | 高卫华 出品 | AI科技大本营 随着深度学习的发展，GAN模型在图像风格转换的应用越来越多，其中不少都实现了很好的效果。 此前，reddit上的一个技术博主AtreveteTeTe基于GAN模型混合将普通的人像照片卡通化，并通过First Order Motion模型生成了动画，引起诸多网友的热捧。像这类卡通风格的画像生成，通常对单元素的质量要求不高，对于模型的训练，会忽略一些细节上的不足。 不过，最近一个开发者在GitHub上放出了一个可用于创建线条艺术肖像的项目，基于深度学习开发了ArtLine，其创建的线条肖像画在细节上的呈现效果惊人。 项目链接： https://github.com/vijishmadhavan/ArtLine ArtLine最简单的入门方法： https://colab.research.google.com/github/vijishmadhavan/Light-Up/blob/master/ArtLine(Try_it_on_Colab).ipynb 艺术肖像线条画方面，去年清华大学曾提出一个层次化的GAN模型 APDrawingGAN ，可以有效地基于人脸照片生成高质量、富有表现力的线条画。 但APDrawingGAN在识别面部特征方面存在局限性，例如在识别与ID照片类似的正面照片时

点击上面"脑机接口社区"关注我们 更多技术干货第一时间送达 混合打印平台 为了研究，启用和恢复神经肌肉系统的功能，由三个国家的高校研究人员组成的国际研究团队在《nature biomedical engineering》上发表了一项新研究，在该新研究，研究人员利用了混合打印平台的功能，将软材料和复合材料集成到适合各种解剖结构和实验模型的生物电子设备中。 个性化软神经肌肉界面的混合打印技术 通常仅在科幻小说中才能看到将人脑与计算机链接起来，但是现在，英国谢菲尔德大学(University of Sheffield)，俄罗斯圣彼得堡国立大学(St Petersburg State University)和德国德累斯顿工业大学(Technische Universität Dresden)的由工程师和神经科学家组成的国际研究团队利用3D打印的强大功能让该技术离现实更进一步。 由三所高校研究人员组成的国际研究团队在《nature biomedical engineering》上发表了一项新研究，在该新研究，研究团队开发了一个原型神经植入物可以用于开发治疗神经系统的问题。 这种神经植入物已被用于刺激脊髓损伤的动物模型的脊髓，现在可被用于为瘫痪的人类患者开发新的治疗方法。这项研究表明，该技术也适用于大脑、脊髓、周围神经和肌肉的表面，从而为其他神经系统状况展现了可能性。

作者介绍 @毛毛 产品经理 集颜值和才华于一身。 对AI了解深入，经验丰富。 前面介绍了「AI产品经理需要具备的能力和对数据、算法需要理解的程度」、「机器学习的实际训练过程」，后面将围绕AI产品在当前环境下的热门应用来进行探讨，涵盖了语音识别、图像识别、NLP自然语言处理、知识图谱等产品化落地的场景。 1 人工智能与「人工」智能 人每天做的最多的事情就是看、听、说、思考、决策，这是人这个复杂系统需要具备的能力，那么如果要做像人一样的智能机器，最基础要解决的问题便是图像处理的能力、声音的处理能力、口语的处理能力、逻辑推理能力，具备了这些能力之后，人才能做更多的事情，同理机器也就能做更多的事情。 机器学习作为人工智能的实现手段之一，核心是用算法来解析数据、从数据中学习规律，再对现实世界中的事件做出决策和预测。由于强依赖数据，对于数据的处理和应用便显得极为重要。AI场景中需要面临大量的非结构化数据的处理，涉及了大量的人力工作在里面。在当前发展的阶段，我更愿意称它为「人工」智能。 2 如何构建AI产品 构建AI产品需要经历的几个核心阶段，简单概括为业务梳理阶段，准备数据阶段，设计产品研发方案阶段。 业务梳理 不同的行业有不同的行业背景，在设计产品方案之前需要了解自身所处行业的业务逻辑及面临的需求痛点，AI产品本质上解决的是效率问题，不管是提高信息生产的效率还是信息传递的效率

文章作者：Tyan 博客： noahsnail.com | CSDN | 简书 、 1. 扩张卷积 Dilated Convolutions，翻译为扩张卷积或空洞卷积。扩张卷积与普通的卷积相比，除了卷积核的大小以外，还有一个扩张率(dilation rate)参数，主要用来表示扩张的大小。扩张卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中即参数数量不变，区别在于扩张卷积具有更大的感受野。感受野是卷积核在图像上看到的大小，例如 3 × 3 3×3卷积核的感受野大小为9。 2. 示意图 下图是扩张卷积的示意图。 (a) 普通卷积，1-dilated convolution，卷积核的感受野为 3 × 3 = 9 3×3=9。 (b) 扩张卷积，2-dilated convolution，卷积核的感受野为 7 × 7 = 49 7×7=49。 (c) 扩张卷积，4-dilated convolution，卷积核的感受野为 15 × 15 = 225 15×15=225。 从上图中可以看出，卷积核的参数个数保持不变，感受野的大小随着“dilation rate”参数的增加呈指数增长。 3. 优点 扩展卷积在保持参数个数不变的情况下增大了卷积核的感受野，同时它可以保证输出的特征映射（feature map）的大小保持不变。一个扩张率为2的3×3卷积核，感受野与5×5的卷积核相同

题目：知识图谱技术综述 作者：徐增林，盛泳潘，贺丽荣，王雅芳 摘 要 知识图谱技术 是人工智能技术的重要组成部分，其建立的具有 语义处理 能力与 开放互联 能力的 知识库 ，可在 智能搜索、智能问答、个性化推荐 等智能信息服务中产生应用价值。 该文在全面阐述知识图谱定义、架构的基础上，综述知识图谱中的 知识抽取、知识表示、知识融合、知识推理 四大核心技术 的研究进展以及一些典型应用。该文还将评论当前研究存在的挑战。 关 键 词： 知识融合; 知识图谱技术; 知识表示; 开放互联; 语义处理 目录 0 导 读 1 知识图谱的定义与架构 1.1 知识图谱的定义 1.2 知识图谱的架构 2 大规模知识库 2.1 开放链接知识库 2.2 垂直行业知识库 3 知识图谱的关键技术 3.1 知识抽取 3.2 知识 表示 3.3 知识融合 3.4 知识推理 4 知识图谱的典型应用 4.1 智能搜索 4.2 深度问答 4.3 社交网络 4.4 垂直行业应用 5 知识图谱的挑战 5.1 知识获取 5.2 知识表示 5.3 知识融合 5.4 知识应用 6 结束语 7 参考文献 0.导读 人类先后经历了以文档互联为主要特征的“ Web 1.0 ”时代与数据互联为特征的“ Web 2.0 ”时代，正在迈向基于知识互联的崭新“ Web 3.0 ”时代 [1] 。 知识图谱 (knowledge graph)

欢迎点击上方蓝字，关注啦~ 相关阅读： 容颜渐失！GAN来预测？ GAN整整6年了！是时候要来捋捋了！ 弱水三千，只取你标！AL（主动学习）结合GAN如何？ 异常检测，GAN如何gan ? 虚拟换衣！速览这几篇最新论文咋做的！ 脸部妆容迁移！速览几篇用GAN来做的论文 【1】GAN在医学图像上的生成，今如何？ 01-GAN公式简明原理之铁甲小宝篇 001 (2019-12-18) Unsupervised Adversarial Image Inpainting https://arxiv.xilesou.top/pdf/1912.12164.pdf 002 (2019-12-10) Bias Remediation in Driver Drowsiness Detection systems using Generative Adversarial Networks https://arxiv.xilesou.top/pdf/1912.12123.pdf 003 (2019-12-27) Graduate Employment Prediction with Bias https://arxiv.xilesou.top/pdf/1912.12012.pdf 004 (2019-12-26) Towards Better Understanding of Adaptive