研究人员已经花费了大量的时间来优化超参数和调整结构。我们能否减少开发深度学习算法的努力,让研究人员更多地关注创新领域?在本教程中,我们鼓励研究人员设计超参数范围和可能的网络架构组合,并将工作负载传递给机器。本教程将涵盖自动机器学习中的重要概念,以及在计算机视觉中的应用。观众将能够通过使用Jupiter Notebooks的动手部分来复制大规模的实验。

成为VIP会员查看完整内容
37

相关内容

【圣经书】《强化学习导论(2nd)》电子书与代码,548页pdf
专知会员服务
197+阅读 · 2020年5月22日
【陈天奇】TVM:端到端自动深度学习编译器,244页ppt
专知会员服务
85+阅读 · 2020年5月11日
专知会员服务
121+阅读 · 2020年3月26日
生物数据挖掘中的深度学习,诺丁汉特伦特大学
专知会员服务
65+阅读 · 2020年3月5日
王彬文:数字孪生的强度思考与实践(附PPT)
走向智能论坛
21+阅读 · 2019年3月21日
【教程】如何从零开始构建深度学习项目?
七月在线实验室
7+阅读 · 2018年4月23日
模型、框架及应用:深度学习系列16讲
云栖社区
4+阅读 · 2018年3月12日
Python & 机器学习之项目实践 | 赠书
人工智能头条
12+阅读 · 2017年12月26日
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
3+阅读 · 2019年3月1日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
10+阅读 · 2018年2月9日
Arxiv
6+阅读 · 2018年1月11日
VIP会员
相关论文
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
3+阅读 · 2019年3月1日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
10+阅读 · 2018年2月9日
Arxiv
6+阅读 · 2018年1月11日
微信扫码咨询专知VIP会员