关键词deep learning neural networks
搜索结果 - 6
- EdgeOL：边缘设备上高效的现场在线学习
通过内部和外部优化，EdgeOL 边缘在线学习框架优化了推理准确率、微调执行时间和能量效率，平均降低了 82% 的微调执行时间和 74% 的能量消耗，并提高了 1.70% 的平均推理准确率。
- 深度学习和 GARCH 模型结合的金融波动率和风险预测
采用深度学习神经网络和 GARCH 时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。
- 解缠对神经网络剪枝的影响
部署深度学习神经网络在边缘设备上，实现真实世界中特定目标，需要减少其内存占用、功耗和延迟。高效模型压缩可以实现这一目标。变分自编码器（VAE）网络产生的解缠缠绕的潜在表示是实现模型压缩的有希望方法，因为它们主要保留了与任务相关的信息，并丢弃 - 利用深度学习人工智能拓展对古老围棋游戏的理解成本
本论文发展了一种基于 AI 和深度学习神经网络的数值工具，用于对围棋游戏中的每一步的表现进行自动化评估，并识别游戏特征，通过使用 “过” 的代价来衡量落子的紧迫性，即在相同棋盘位置下，落子前后的局面分差，研究了该度量的特性并描述了一些应用。
- 从原始语音进行语音情感的直接建模
本文提出了一种基于并行卷积层的方法，在特征提取单元中利用多个时间分辨率来共同训练 LSTM 分类神经网络。该方法可用于处理原始语音数据的情感识别任务，并可以达到使用手工制作特征训练 CNN 的性能水平。
- 深度学习神经网络在蛋白质计算设计中的应用
本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法