4.1 模型构造 4.2 模型参数的访问、初始化和共享 4.3 模型参数的延后初始化 4.4 自定义层 4.5 读取和存储 4.6 GPU计算

4.4 Deep modules 深度模块 4.4 Deep modules 深度模块 The best modules are those that provide powerful functionality yet have simple interfaces. I use the term deep to describe such modu...

3. 深度优先搜索 习题 3. 深度优先搜索 现在我们用堆栈解决一个有意思的问题，定义一个二维数组： int maze [ 5 ][ 5 ] = { 0 , 1 , 0 , 0 , 0 , 0 , 1 , 0 , 1 , 0 , 0 , 0 , 0 , 0 ...

使用PyTorch进行深度学习 深度学习构建模块：仿射变换, 非线性函数以及目标函数 仿射变换 非线性函数 Softmax和概率 目标函数 优化和训练 使用PyTorch创建网络组件 示例: 基于逻辑回归与词袋模式的文本分类器 使用PyTorch进行深度学习 译者：bdqfork 校对者：FontTian 作者 : Ro...

深度学习基础教程 内容简介 使用方法 使用CPU训练 使用GPU训练 贡献新章节 深度学习基础教程 本章由9篇文档组成，它们按照简单到难的顺序排列，将指导您如何使用PaddlePaddle完成基础的深度学习任务 本章文档涉及大量了深度学习基础知识，也介绍了如何使用PaddlePaddle实现这些内容，请参阅以下说明了解如何使用： 内...

4. 深度学习计算 4. 深度学习计算 上一章介绍了包括多层感知机在内的简单深度学习模型的原理和实现。本章我们将简要概括深度学习计算的各个重要组成部分，如模型构造、参数的访问和初始化等，自定义层，读取、存储和使用GPU。通过本章的学习，我们将能够深入了解模型实现和计算的各个细节，并为在之后章节实现更复杂模型打下坚实的基础。 4.1. 模型构造 ...

3.1 线性回归 3.2 线性回归的从零开始实现 3.3 线性回归的简洁实现 3.4 softmax回归 3.5 图像分类数据集（Fashion-MNIST） 3.6 softmax回归的从零开始实现 3.7 softmax回归的简洁实现 3.8 多层感知机 3.9 多层感知机的从零开始实现 3.10 多层感知机的简洁实现 3.11 模型...

深度学习简介 起源 发展 成功案例 特点 小结 练习 参考文献 深度学习简介 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一...

文章链接：http://mp.weixin.qq.com/s?__biz=MzIxMjAzNDY5Mg==&mid=2650790896&idx=2&sn=08e81b71d59ecf4ac05aef4048b3b618&scene=21#wechat_redirect 原文: https://hit-scir.gitbooks.io/neural-...