API功能分类 API功能分类 本模块分功能向您介绍PaddlePaddle Fluid的API体系和用法，提高您的查找效率，帮助您快速了解PaddlePaddle Fluid API的全貌，包括以下几个模块： 基础概念 神经网络层 复杂网络 优化器 反向传播 评价指标 模型保存与加载 预测引擎 执行引擎 数据并行执行引擎 C...

API功能分类 API功能分类 本模块分功能向您介绍PaddlePaddle Fluid的API体系和用法，提高您的查找效率，帮助您快速了解PaddlePaddle Fluid API的全貌，包括以下几个模块： 基础概念 神经网络层 复杂网络 优化器 反向传播 评价指标 模型保存与加载 预测引擎 执行引擎 数据...

NLP From Scratch: 使用char-RNN对姓氏进行分类 NLP From Scratch: 生成名称与字符级RNN NLP From Scratch: 基于注意力机制的 seq2seq 神经网络翻译 文本分类与TorchText 语言翻译与TorchText

引言 引言 在这部分，您将了解 MegEngine 的基础概念和基本使用方法。 为了学习这部分内容，您需要： 根据 安装说明 成功安装 MegEngine。 具备 Python 和 NumPy 的基础知识。 您不需要： 了解其它的深度学习框架，如 PyTorch。 具备机器学习和深度神经网络的背景知识。 这部分...

为什么要学习爬虫 学习目的以及需求 实现手段 爬虫应用场景（利用爬虫能做什么？） 总结 为什么要学习爬虫 学习目的以及需求 需求来自于：抓取的某个网站或者某个应用的内容，提取有用的价值 实现手段 模拟用户在浏览器或者应用( app )上的操作，实现自动化的程序 爬虫应用场景（利用爬虫能做什么？） 大家最熟...

5.11 残差网络（ResNet） 5.11.2 残差块 5.11.2 ResNet模型 5.11.3 获取数据和训练模型 小结 参考文献 5.11 残差网络（ResNet） 让我们先思考一个问题：对神经网络模型添加新的层，充分训练后的模型是否只可能更有效地降低训练误差？理论上，原模型解的空间只是新模型解的空间的子空间。也就是说，如果我们能...

9.1 图像增广 9.2 微调 9.3 目标检测和边界框 9.4 锚框 9.5 多尺度目标检测 9.6 目标检测数据集（皮卡丘） 9.8 区域卷积神经网络（R-CNN）系列 9.9 语义分割和数据集 9.11 样式迁移

AdaGrad 再次考虑细长碗的问题：梯度下降从最陡峭的斜坡快速下降，然后缓慢地下到谷底。 如果算法能够早期检测到这个问题并且纠正它的方向来指向全局最优点，那将是非常好的。 AdaGrad 算法通过沿着最陡的维度缩小梯度向量来实现这一点（见公式 11-6）： 第一步将梯度的平方累加到矢量s 中（⊗ 符号表示单元乘法）。 这个向量化形式相当于向量s...

反向传播 反向传播 神经网络对模型的表达能力依赖于优化算法，优化是一个不断计算梯度并调整可学习参数的过程，Fluid中的优化算法可参考 优化器 。 在网络的训练过程中，梯度计算分为两个步骤：前向计算与 反向传播 。 前向计算会根据您搭建的网络结构，将输入单元的状态传递到输出单元。 反向传播借助 链式法则 ，计算两个或两个以上复合函数的导数...