Expérience de fino-finetune super profonde
Ce référentiel contient non seulement de l'expérience sur les paramètres Finetune, mais aussi d'autres expériences en pratique telles que Model Ensemble (stimulation, sacs et empilement) dans Kaggle ou d'autres compétitions.
Bienvenue à la demande de traction!
Général
- Mon réseau neuronal ne fonctionne pas! Que dois-je faire?
- Williamfalcon / Deeprlhacks: Hacks for Training RL Systems from John Schulman's Leçon at Deep RL Bootcamp (août 2017)
- Une brève discussion sur le problème d'efficacité du code en Deep Learning
Cours
- Comment gagner un concours de science des données: Apprenez des meilleurs Kagglers | Parcours
Empilement et boosting et ensemble
- Aperçu des méthodes de fusion du modèle | Colonne Zhihu
- Comment entrer dans les 10% supérieurs du premier jeu de Kaggle | Voleur
- Introduction à l'ensemble / empilement dans Python | Se gêner
- Un article pour comprendre l'apprentissage intégré (avec les ressources d'apprentissage) | Données thu
Recherche d'hyper-paramètre
- Scikit-Learn Hyperparamètre Search Wrapper | Documentation de l'API Skopt
Gan
- Revue générative du réseau adversaire: de l'architecture aux compétences de formation, il suffit de lire ce document | Heart of Machine [anglais original]
Vision par ordinateur
Classification d'image
- [CVPR 2017] Réseaux de compression et d'excitation (gagnant ILSVRC 2017) au CVPR2017
- Colonne | Momenta explique l'architecture du championnat 2017 Senet
- [Fair 2017] SGD à minibatch précis et précis: formation ImageNet en 1 heure
- Compétition des moniteurs des espèces envahissantes de Kaggle: Présentation de la solution de la 3e place
Classification multi-étiquettes
- Interview du Kaggle Amazon Championship: Utilisation de la pertinence de la balise pour gérer les problèmes de classification | Lei Feng.com
Détection
- Tianchi Medical AI Competition Saison 1 Yiyuan Intelligent_hkbu Team Rank7 Solution (y compris le code) [Code]
Description du film
- [LSMDC 2016] 1ère place: Description vidéo en combinant une représentation solide et une approche simple du voisin le plus proche. Gil Levi, Dotan Kaufman, Lior Wolf (Université de Tel Aviv), Tal Hassner (Université de Californie du Sud) [Diapositives]
Annotation et récupération de films
- [LSMDC 2016] 1ère place: modélisation de sous-titrage et de récupération avec une attention sémantique. Youngjae Yu, Hyungjin KO, Jongwook Choi, Gunhee Kim (Séoul National University) [diapositives]
- [LSMDC 2016] 2e place: Description de la vidéo en combinant une représentation forte et une approche simple du voisin le plus proche. Gil Levi, Dotan Kaufman, Lior Wolf (Université Tel Aviv), Tal Hassner (Université de Californie du Sud)
Film rempli de film
[LSMDC 2016] 1ère place: modélisation de sous-titrage et de récupération avec une attention sémantique. Youngjae Yu, Hyungjin KO, Jongwook Choi, Gunhee Kim (Université nationale de Séoul)
[LSMDC 2016] 2e place: Vidéo remplit le blanc avec la fusion de LSTMS. Amir Mazaheri, Dong Zhang, Mubarak Shah (Université de Floride centrale)
Discours
- 10686 Une expérience de réglage des paramètres CTC-RNN | Colonne Zhihu
Ingénierie de caractéristiques
Des milliers de marteaux et tailler les montagnes profondes: parlons des meilleures pratiques d'ingénierie des fonctionnalités | Big Data Divers
Plantsgo / location-listing-inquiries: Kaggle: Two Sigma Connect: Rental Listing Dechries - TOP1
