近年来，由于诸如自动编码器等深度神经网络（DNN）的高表示能力，深度聚类方法发展迅速。其核心思想是表示学习和聚类可以相互促进：好的表示会带来好的聚类效果，而好的聚类为表示学习提供良好的监督信号。关键问题包括：1）如何优化表示学习和聚类？

目前还不太清楚为何训练中会出现 Accuracy 突降、Loss 突增的问题。 本项目测试环境为 Ubuntu20.04，python 版本为 3.10.13。 根据自己的需要修改 train.py 文件中第 11~23 行的参数（默认也可以）。 运行 train.py 即可：python train.py。 该项目每轮训练中，只要训练准确率比 ...

本次课程设计基于 Pytorch 深度学习框架，构建多层卷积神经网络模型，并调整学习率和优化器等配置，对手写数字数据集 MNIST 进行识别；同时，针对相同数据集使用 SVM、决策树、随机森林方法进行训练和测试，与构建的 CNN 模型对比性能表现。模型之间对比 ...

在大多数城市里，寻找停车位总是很难。本文的思路是将一个摄像头指向窗外，并使用深度学习让计算机在停车位空闲时能够进行实时检测。 这可能听起来相当复杂，但是通过深度学习构建这个版本的工作版本实际上非常快速和简单。所以让我们花几分钟时间 ...

在MNIST上进行训练，可以说是计算机视觉里的“Hello World”任务了。而如果使用PyTorch的标准代码训练CNN，一般需要3分钟左右。 本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。 在MNIST上进行训练，可以说是计算机视觉里的“Hello World”任务了。

导语：对于图像分类任务，当前最先进的架构是卷积神经网络 (CNNs)，无论是面部识别、自动驾驶还是目标检测，CNN 都得到广泛使用。 雷锋网 AI 研习社按：本文为雷锋网字幕组编译的技术博客，原标题 A simple 2D CNN for MNIST digit recognition，作者为 Sambit Mahapatra。