Deeplearning Algorithms tutorial RBF神经网络 RBF的应用领域 RBF优点 RBF缺点 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别...

Deeplearning Algorithms tutorial 深度卷积神经网络(Deep Convolutional Neural Networks) 应用示例 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的...

一、TensorFlow的建模流程 一、TensorFlow的建模流程 尽管TensorFlow设计上足够灵活，可以用于进行各种复杂的数值计算。 但通常人们使用TensorFlow来实现机器学习模型，尤其常用于实现神经网络模型。 从原理上说可以使用张量构建计算图来定义神经网络，并通过自动微分机制训练模型。 但为简洁起见，一般推荐使用Tensor...

3.3 线性回归的简洁实现 3.3.1 生成数据集 3.3.2 读取数据 3.3.3 定义模型 3.3.4 初始化模型参数 3.3.5 定义损失函数 3.3.6 定义优化算法 3.3.7 训练模型 小结 3.3 线性回归的简洁实现 随着深度学习框架的发展，开发深度学习应用变得越来越便利。实践中，我们通常可以用比上一节更简洁的代码来实现...

流水线组件的选择：任务简单性 流水线组件的选择：任务简单性 除了数据可用性之外，你还应该考虑流水线组件选择的第二个因素：独立的组件使得任务简单了多少？你应该尽可能地选择那些易于构建或学习的独立流水线组件，但对一个组件而言， “易于” 学习指的是什么呢？ 考虑下面列出的机器学习任务，它们的难度逐级递增： 分类判断某张图片是否过度曝光（就像上面...

模型训练 模型训练 首先需要定义好训练的参数，包括是否使用GPU、设置损失函数、选择优化器以及学习率等。 在本次实验中，由于数据较为简单，我们选择在CPU上训练，优化器使用Adam，学习率设置为0.01，一共训练5个epoch。 然而，针对推荐算法的网络，如何设计损失函数呢？在CV和NLP章节中我们了解，分类可以用交叉熵损失函数，损失函数的大小可以...

训练序列分类器 我们训练一个 RNN 来分类 MNIST 图像。 卷积神经网络将更适合于图像分类（见第 13 章），但这是一个你已经熟悉的简单例子。 我们将把每个图像视为 28 行 28 像素的序列（因为每个MNIST图像是28×28 像素）。 我们将使用 150 个循环神经元的单元，再加上一个全连接层，其中包含连接到上一个时间步的输出的 10 个神经元...

用基于注意力机制的seq2seq神经网络进行翻译 加载数据文件 Seq2Seq模型 编码器 解码器 简单的解码器 注意力解码器 训练模型 绘制结果 评估 训练和评估 可视化注意力 练习 用基于注意力机制的seq2seq神经网络进行翻译 译者：@EWilsen 作者 : Sean Robertson 这个教程主要讲...

Deeplearning Algorithms tutorial 决策树 应用领域 优缺点 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机...

直通天堂 直通天堂 最近比较苦逼比较惨，这系列又可以继续了… 維多利亞時代英国最伟大的作家 查尔斯·狄更斯 在 《双城记》中曾说过： 这是一个最好的时代，也是一个最坏的时代；这是明智的时代，这是愚昧的时代；这是信任的纪元，这是怀疑的纪元；这是光明的季节，这是黑暗的季节；这是希望的春日，这是失望的冬日；我们应有尽有，我们一无所有；这里直通天...