论文逐年发布
论文类
过程文章
·
[.]
谷歌
一号
TL;DR:论文展示查找文本短语的简单方法,并显示学习数以百万计短语好的向量表示法是可能的,并描述层次软max称为负采样的简单替代物
抽象性 :最近引入的连续spgram模型是学习高质量分布矢量表示法的有效方法,它捕捉大量精确语法和语义关系本文显示数例扩展提高向量质量和训练速度通过子采样频繁字数,我们大大加速并学习更多定期字表示法简单替代层次软max称负采样词义表达的固有限制是他们对字序漠不关心和无法表示单词短语举例说,“Canada”和“Air”的含义不易合并获取“AirCanada”。受此例子启发,我们提出了一个简单方法查找文本短语,并显示学习数以百万计短语的向量表示法是可能的
24012引用
谷歌
一号
TL;DR:本文介绍MapReduce实施过程、编程模型和相关处理生成大数据集相关实施过程,大数据集运行大型批量商品机并高度可缩放
抽象性 :MapReduce是一个编程模型,并伴生处理和生成大数据集用户指定地图函数处理键/值对生成一组中间键/值对并减少函数合并所有与同中间键关联的中间值多实世界任务可表达于此模型中,如论文所示以功能风格写出程序自动并行并用大批量商品机执行运行时系统处理分解输入数据的细节,程序跨集执行调度,处理机器故障和管理所需机器间通信这使程序员在并行分布式系统方面没有任何经验很容易使用大分布式系统资源MapReduce使用大型批量商品机并高度可缩放性:典型MapReduce计算过程千兆字节数据程序员发现系统易于使用:数以百计 MapReduce程序已经实施,每天谷歌集群执行上千 MapReduce作业
20309引用
贴出内容
·
[.]
TL;DR:论文提出了两个新模式架构,用于计算从大数据集传出词的连续矢量表示法,这些表示法质量用词相似性任务测量,结果与基于不同类型神经网络的原最佳性能技术比较
抽象性 :我们建议两个新模式架构 计算持续向量表示从大数据集传出词质量表示方式用词相似性任务测量,结果与基于不同类型神经网络的原最佳性能技术比较精度大提高 计算成本低得多小于一天从16亿字数据集学习高质量向量并显示这些向量提供最先进性能 测试集测量语法和语义相似性
20 077引用
谷歌
一号
TL;DR:报表解释底层运行时系统如何自动并行计算大规模机器集群,处理机器故障并调度机器间通信以高效使用网络和磁盘
抽象性 :MapReduce是一个编程模型,并伴生处理和生成大数据集,适应各种现实任务用户指定地图和减函数计算方法,底层运行时系统自动并行计算机器大规模集群,处理机器故障并调度机器间通信以高效使用网络和磁盘程序员发现系统易于使用:在过去四年里Google内部实施超过一万个不同的 MapReduce程序,平均每天在Google集群执行十万个 MapReduce作业,总处理量超过每天二万兆字节数据
17663引用
贴出内容
·
[.]
TL;DR:这项工作显示,它可以显著改善重用商业系统声学模型,将全套模型知识提取成单模型并引入由一个或多个全模型和多专业模型组成的新式组合,这些模型学习辨别全模型混淆的精密类
抽象性 :提高几乎所有机器学习算法性能的一个简单方法就是训练多模型使用同一种数据,然后平均预测不幸的是,使用全套模型预测繁琐,计算成本可能太高,无法向大量用户部署,特别是单模型为大型神经网时更是如此。Caruana及其合作者显示,有可能将知识编译成单模型,更容易部署,我们开发这种方法时使用不同的压缩技术出人意料的MNIST结果显示,我们可以通过将知识从模型集合中提炼成单模型,大大改善高用商业系统声学模型由一个或多个全模型和多位专家模型组成新式组合,这些模型学习辨别全模型混淆的精密类与专家混合不同,这些专家模型可快速并行培训
12 857引用
引用
过程文章
·
[.]
牛津大学
一号
TL;DR:这项工作调查卷积网络深度对大规模图像识别设置精度的影响,使用极小卷积滤波结构显示,前科配置可通过推深至16-19权值层实现重大改善
抽象性 :研究卷积网络深度对大规模图像识别设置精度的影响我们的主要贡献是用极小3x3卷积滤波对深度提高网络进行彻底评价,显示通过将深度推向16-19权值层可大大改善前科配置发现基础图像网挑战2014提交并显示我们表示与其他数据集相容性良好, 并实现最新结果betway亚洲并公诸于众的ConvNet两种最优表现模型 以方便深入研究 计算机视觉应用
55235引用
过程文章
·
[.]
牛津大学
一号
TL;DR:论文作者调查卷积网络深度对大规模图像识别设置精度的影响并显示通过推深至16-19层可显著改善前科配置
抽象性 :研究卷积网络深度对大规模图像识别设置精度的影响我们的主要贡献是用极小3x3卷积滤波对深度提高网络进行彻底评价,显示通过将深度推向16-19权值层可大大改善前科配置发现基础图像网挑战2014提交并显示我们表示与其他数据集相容性良好, 并实现最新结果betway亚洲并公诸于众的ConvNet两种最优表现模型 以方便深入研究 计算机视觉应用
49914引用
[.]
TL;DR:感知像本文提到的深入卷积神经网络架构,实现图像网2014大型视觉识别挑战新状态分类检测
抽象性 :深入卷积神经网络架构代码感知实现图像网2014大型视觉识别挑战新状态分类检测本架构的主要特征是提高网络内计算资源使用率通过精心设计,我们提高网络深度和广度,同时保持计算预算不变优化质量,建筑决策基于Hebbian原理和多尺度处理直觉LSVRC14提交文件使用的一个特殊化名叫GoogleNet,这是一个22层深网络,质量从分类检测角度评估
40257引用
书本
·
[.]
TL;DR:深度学习如本文所述是一种机器学习形式,使计算机从层次概念上学习并理解世界,并用于许多应用中,如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学和视频游戏
抽象性 :深学习是一种机器学习形式,使计算机从经验中学习并理解世界概念层次结构计算机从经验中收集知识,不需要计算机操作符正式具体说明计算机需要的所有知识层次概念允许计算机从简单概念中学习复杂概念图表显示多层深度这本书介绍深入学习的广泛题目文本提供数学和概念背景,覆盖线性代数相关概念、概率理论和信息理论、数值计算和机器学习描述行业从业者使用深学习技巧,包括深进化网络、规范化、优化算法、卷积网络、序列建模和实用方法并调查自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学和视频游戏等应用betway亚洲最后,书提供研究视角,覆盖线性因子模型、自译自算器、表示学习、结构概率模型、Monte Carlo方法、分区函数、近似推理和深基因模型等理论专题betway亚洲深入学习可供本科生或研究生规划产业或研究职业使用,并可供软件工程师使用,他们想开始产品或平台深学习网站为读者和教官提供辅助材料
38208引用
过程文章
·
谷歌
一号
TL;DR:批量常态化应用到最先进图像分类模型中,批量整齐化实现相同精度,培训步数减14倍,并大大比原型差强
抽象性 :深神经网络培训复杂化,因为前层参数变化时,每一层输入分布变化要求低学习率和谨慎参数初始化,从而延缓培训速度,使用饱和非线性培训模型难易达名声我们称此现象为内部共变移,通过平面输入正常化解决问题方法从规范化模式架构中提取力量 并实现每次培训小型批量的规范化批量规范化使我们能够使用高得多的学习率,对初始化少加小心,并在某些情况下消除了失学需求批量常态化应用到最先进图像分类模型中,批量整齐化实现相同精度,培训步数减14倍,并大大比原型差强使用批量规范网络组合,我们提高图像网分类最佳发布结果:达4.82%前5测试误差,超出人速率器精度
30 843引用