Torch 部落格

2016 年 7 月 25 日語言模型一個十億個字
採用雜訊對比估計來訓練一個多 GPU 遞迴神經網路語言模型，資料集取自 Google 十億個字資料集。 </img>
2016 年 6 月 1 日運用 OpenCV 和 Torch 的深度樂趣
在本文中，我們將結合 OpenCV 3.0 和 Torch，享受一些樂趣，來建立年齡和性別分類、神經藝術、神經對話和即時影像分類的實際範例。 </img>
2016 年 4 月 30 日決鬥式深度 Q 網路
在強化學習領域裡，深度 Q 網路已大幅躍進，在 Atari 2600 電玩遊戲領域裡，已達到人類無法達到的水準。在本文中，我們將說明它們如何運作，也會討論自 Google DeepMind 在自然期刊發表後的一些發展 - 特別是決鬥式 DQN。 </img>
2016 年 2 月 4 日訓練與研究殘差網路
在本文中，我們實作了深度殘差網路 (ResNets)，並從模型選擇與最佳化層面探討 ResNets。我們也會討論訓練 ResNets 時的多 GPU 最佳化方法和工程範例。最後，我們將比較 ResNets、GoogleNet 和 VGG 網路。 </img>
2015 年 11 月 13 日使用 Torch 產生人臉
在本文中，我們實作生成對抗網路 (GAN)，並訓練它輸出人臉影像。GAN 非常難訓練，我們將探討一些讓收斂更穩定或更快速的技巧。此外，我們將結合 GAN 和變易自編碼器，得出一個能夠產生趣味影像的編碼器/解碼器架構！ </img>
2015 年 9 月 21 日視覺注意力遞迴模型
視覺注意力模型最近在物體偵測和影像標題產生領域很成功。特別令人感興趣的是，這些模型具有人類般的注意力。在本文中，我們將討論遞迴注意力模型的實作，其中涉及一些強化學習，以及見解和程式碼。 </img>
2015 年 9 月 7 日空間轉換器網路的效力
空間轉換器是一種令人興奮、可學習的新層，能插入 ConvNets。我們展示，在 ConvNet 中使用這些層，我們能以更小的網路達到最新的準確度。我們也探索並視覺化轉換層中發生的學習狀況。</img>
2015 年 7 月 30 日在 Torch 中達到 CIFAR-10 的 92.45%
CIFAR-10 是流行的視覺資料集，用來嘗試新想法。我們展示，使用批次正規化和類 VGG 的卷積神經網路架構的簡單組合，就能在資料集上取得有競爭力的基準。</img>

</body> </html>