深度学习－无监督学习(2)
接续上一节我们对无监督学习的介绍，接下来我们将对其中的两大模块展开介绍，在介绍之前会对流行数据让大家有一定的了解。
Qualcomm 无监督学习 深度学习时间：2020-09-24 11:43:03
深度学习－无监督学习(1)
无监督学习是关于在没有标签信息的情况下学习信息。这里的“信息”一词表示“结构”，例如，即使您不知道这些组的含义，您也想知道数据集中有多少组。此外，我们还使用无监督学习来可视化您的数据集，以便尝试从数据中学习一些见解。
Qualcomm 深度学习 全连接层时间：2020-09-21 10:25:00
深度学习－GoogleNet
在本章中，我们将介绍学习googleNet（ImageNet 2014上的获奖架构）及其入门层。
Qualcomm 深度学习 全连接层时间：2020-09-14 16:36:21
深度学习－单发探测器(2)
该检测器的精度稍差一些（在v2上进行了改进），但它是一种非常快速的检测器，本章将尝试解释其工作原理，并在tensorflow中提供参考工作代码。
Qualcomm 深度学习 全连接层时间：2020-09-10 10:57:05
深度学习－单发探测器(1)
先前的对象检测方法都具有一个共同点：它们的网络中有一部分专门用于提供区域建议，然后由高质量的分类器对这些建议进行分类。 这些方法非常准确，但计算量大（低帧速率），换句话说，它们不适合在嵌入式设备上使用。进行对象检测的另一种方法是将这两个任务组合到一个网络中。 我们可以这样做，而不是让网络产生建议，而要拥有一组预定义的框来查找对象。使用网络后面各层的卷积特征图，我们在这些特征图上运行小型CONV滤波器，以预测类分数和边界框偏移量。
Qualcomm 深度学习 全连接层时间：2020-09-07 10:22:19
深度学习－模型求解器
模型求解器的任务是找到最佳参数集，以最大程度地减少列车/精度误差。 在本章中，我们将通过一些python / matlab代码给出UML描述，同时可以自己实现它。
Qualcomm 深度学习 全连接层时间：2020-08-31 10:58:03
深度学习－卷积层(2)
在本章中，我们展示了一种将卷积运算转换为矩阵乘法的方法。 这样的优点是计算速度更快，但会占用更多的内存。 我们使用im2col运算将输入图像或批处理转换为矩阵，然后将该矩阵与内核的重塑版本相乘。 然后最后，我们使用col2im操作将这个相乘后的矩阵重塑为图像。
Qualcomm 深度学习 卷积运算时间：2020-08-20 11:40:41
Qualcomm 开发者专区是 Qualcomm 联合CSDN 共同打造的面向中国开发者的技术专区。致力于通过提供全球最新资讯和最多元的技术资源及支持，为开发者们打造全面一流的开发环境。本专区将以嵌入式、物联网、游戏开发、Qualcomm® 骁龙™处理器的软件优化等技术为核心，打造全面的开发者技术服务社区，为下一代高性能体验和设计带来更多的想法和灵感。
加入 Qualcomm 开发者专区
申请成为“Qualcomm荣誉技术大使”
“Qualcomm荣誉技术大使”是Qualcomm开发者社区对开发者用户技术能力与影响力的认证体现，该荣誉代表Qualcomm社区对用户贡献的认可与肯定。
立即申请
高通技术公司推出头戴式AR开发套件骁龙Spaces™ XR开发者平台，助力打造无缝融合现实世界和数字世界边界的沉浸式体验。
为开发者提供实现创意的工具，并将变革头戴式AR的可能性，现已面市！
Qualcomm 活动 更多
5月27日
线上