3分钟快速上手 运行例子 代码解读 FAQ 3分钟快速上手 这篇文章将介绍如何快速上手 OneFlow ，我们可以在3分钟内完成一个完整的神经网络训练过程。 运行例子 如果已经安装好了 OneFlow ，可以使用以下命令下载文档仓库 中的mlp_mnist.py 脚本，并运行。 wget https : //docs.oneflow.org...

Softmax 练习 练习 问题 问题 Softmax 在本章中我们主要使用交叉熵代价函数来解决学习速度衰退的问题。不过，我想首先简要的介绍一下解决这个问题的另一种方法，这种方法是基于神经元中所谓的 softmax 层。我们并不打算在本章余下的部分使用 softmax 层，所以，如果你很心急，你可以跳过本节直接进入下一节的阅读。然而，soft...

RNN RNN class paddle.nn. RNN ( cell, is_reverse=False, time_major=False ) [源代码] 循环神经网络 该OP是循环神经网络（RNN）的封装，将输入的Cell封装为一个循环神经网络。它能够重复执行 cell.forward() 直到遍历完input中的所有Tensor。 ...

迁移学习教程 加载数据 可视化一些图像 训练模型 模型预测的可视化 微调卷积神经网络 训练与评价 将卷积神经网络为固定特征提取器 训练与评价 迁移学习教程 作者 ：Sasank Chilamkurthy 译者：DrDavidS 校验：DrDavidS 在本教程中，您将学习如何使用迁移学习训练网络。你可以在 cs231...

Deeplearning Algorithms tutorial Prefixspan 相关应用 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...

一、基础 1.1 基本概念 1.2 特征学习 1.3 训练 1.4 示例 一、基础 1.1 基本概念 深度前馈网络的目标是近似某个函数 。 分类器 将输入 映射到它的真实类别 ，其中 是真实的映射函数。 深度前馈网络定义另一个映射 ，并且学习参数 从而使得 是 的最佳近似。 深度前馈网络之所以称作前馈的（feed...

二、损失函数 2.1 损失函数的非凸性 2.2 代价函数的选取 二、损失函数 2.1 损失函数的非凸性 在线性模型中，对于线性回归模型，可以直接求解出解析解。对于logistic 回归或者SVM ，其损失函数为凸的。 凸优化算法可以保证全局收敛，而且理论上保证从任何一种参数出发都可以收敛。实际计算中，可能遇到数值稳定性问题。 神经网络...

LeNet LeNet LeNet是最早的卷积神经网络之一[1]。1998年，Yan LeCun第一次将LeNet卷积神经网络应用到图像分类上，在手写数字识别任务中取得了巨大成功。LeNet通过连续使用卷积和池化层的组合提取图像特征，其架构如 图1 所示，这里展示的是作者论文中的LeNet-5模型： 图1：LeNet模型网络结构示意图 ...

自然语言情感分析 使用深度神经网络完成情感分析任务 处理变长数据 学习句子的语义 自然语言情感分析 在学习本节课内容前，让我们先看一段来自肥伦秀的视频片段 ，感受下人类语言情感的复杂性。众所周知，人类自然语言中包含了丰富的情感色彩：表达人的情绪（如悲伤、快乐）、表达人的心情（如倦怠、忧郁）、表达人的喜好（如喜欢、讨厌）、表达人的个性特征和表达人...

10.9. 编码器—解码器（seq2seq） 10.9.1. 编码器 10.9.2. 解码器 10.9.3. 训练模型 10.9.4. 小结 10.9.5. 练习 10.9.6. 参考文献 10.9. 编码器—解码器（seq2seq） 我们已经在前两节中表征并变换了不定长的输入序列。但在自然语言处理的很多应用中，输入和输出都可以是不定长序...