DNN和GMM的优势
GMM没有利用帧的上下文信息，GMM不能学习深层非线性特征变换。
-
本文简明讲述GMM-HMM在语音识别上的原理，建模和测试过程。这篇blog只回答三个问题： 1.什么是Hidden Markov Model？ HMM要解决的三个问题: 1) Likelihood 2) Decoding 3) Training GMM是神马？怎样用GMM求某一音素（phoneme）的概率？ GMM+HMM大法解决语音识别 3.1 识别 3.2 训练 3.2.1 Training
-
GMM-FEM Registration WHAT DOES THE PACKAGE CONTAIN? The code contains programs to perform rigid, affine and non-rigid registrationof 3D point clouds. The rigid and affine registration are performed us
-
MKL-DNN 是用于深度神经网络的英特尔数学核心库，是一款面向深度学习应用的开源性能库。 该库包括针对英特尔架构处理器和英特尔处理器显卡优化的神经网络的基本构建模块。 英特尔MKL-DNN适用于对提高英特尔CPU和GPU的应用程序性能感兴趣的深度学习应用程序和框架开发人员。 深度学习从业者可以使用其中一个启用了英特尔MKL-DNN的应用程序： Apache* MXNet BigDL Caffe*
-
Hierarchical neural-net interpretations (ACD) �� Produces hierarchical interpretations for a single prediction made by a pytorch neural network. Official code for Hierarchical interpretations for neur
-
DNN5中文搜索Provider, 给DotNetNuke增加中文索引，搜索功能， 适用于所有DNN5以上的版本
-
在讲反向传播算法时，我们用均方差损失函数和Sigmoid激活函数做了实例，首先我们就来看看均方差+Sigmoid的组合有什么问题。 首先我们回顾下Sigmoid激活函数的表达式为：$$sigma(z) = frac{1}{1+e^{-z}}$$ $$sigma(z)$$的函数图像如下： 从图上可以看出，对于Sigmoid，当z的取值越来越大后，函数曲线变得越来越平缓，意味着此时的导数$$sigma