摘要：深度學(xué)習(xí)在過去的幾年里取得了許多驚人的成果，均與息息相關(guān)。機(jī)器學(xué)習(xí)進(jìn)階筆記之一安裝與入門是基于進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，被廣泛用于語音識(shí)別或圖像識(shí)別等多項(xiàng)機(jī)器深度學(xué)習(xí)領(lǐng)域。零基礎(chǔ)入門深度學(xué)習(xí)長短時(shí)記憶網(wǎng)絡(luò)。

作者 | Edwin Chen編譯 | AI100第一次接觸長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）時(shí)，我驚呆了。原來，LSTM是神經(jīng)網(wǎng)絡(luò)的擴(kuò)展，非常簡單。深度學(xué)習(xí)在過去的幾年里取得了許多驚人的成果，均與LSTM息息相關(guān)。因此，在本篇文章中我會(huì)用盡可能直觀的方式為大家介紹LSTM——方便…

深度學(xué)習(xí)入門必看

介紹了應(yīng)用深度學(xué)習(xí)解決文本分類的相關(guān)的思路、做法和部分實(shí)踐的經(jīng)驗(yàn)。

Awesome - Most Cited Deep Learning Papers

深度學(xué)習(xí) (deep learning)：深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)分支，試圖通過具有多個(gè)處理層的計(jì)算模型對數(shù)據(jù)進(jìn)行多層抽象。

TensorFlow 是 Google 基于 DistBelief 進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，被廣泛用于語音識(shí)別或圖像識(shí)別等多項(xiàng)機(jī)器深度學(xué)習(xí)領(lǐng)域。其命名來源于本身的運(yùn)行原理。Tensor（張量）意味著 N 維數(shù)組，F(xiàn)low（流）意味著基于數(shù)據(jù)流圖的計(jì)算，TensorFlow 代表著張量從圖象的一端流動(dòng)到另一端計(jì)算過程，是將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)傳輸至人工智能神經(jīng)網(wǎng)中進(jìn)行分析和處理的過程。

這篇文章簡單介紹了 TensorBoard 各板塊上的主要功能，而且用了一個(gè)小例子，看如何借用各個(gè)板塊的可視化結(jié)果來幫助我們調(diào)優(yōu)模型。

眾所周知，圖像就是像素值的集合，而這個(gè)觀點(diǎn)可以幫助計(jì)算機(jī)科學(xué)家和研究者們構(gòu)建一個(gè)和人類大腦相似并能實(shí)現(xiàn)特殊功能的神經(jīng)網(wǎng)絡(luò)。有時(shí)候，這種神經(jīng)網(wǎng)絡(luò)甚至能超過人類的準(zhǔn)準(zhǔn)度。

谷歌的開發(fā)者代表 Martin G?rner 分兩部分進(jìn)行了主題為「沒有博士學(xué)位玩轉(zhuǎn) TensorFlow 和深度學(xué)習(xí)（TensorFlow and Deep Learning without a PhD）」的詳細(xì)講解。

TensorFlow 是 Google 基于 DistBelief 進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，被廣泛用于語音識(shí)別或圖像識(shí)別等多項(xiàng)機(jī)器深度學(xué)習(xí)領(lǐng)域。其命名來源于本身的運(yùn)行原理。Tensor（張量）意味著 N 維數(shù)組，F(xiàn)low（流）意味著基于數(shù)據(jù)流圖的計(jì)算，TensorFlow 代表著張量從圖象的一端流動(dòng)到另一端計(jì)算過程，是將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)傳輸至人工智能神經(jīng)網(wǎng)中進(jìn)行分析和處理的過程。

TensorFlow 完全開源，任何人都可以使用。可在小到一部智能手機(jī)、大到數(shù)千臺(tái)數(shù)據(jù)中心服務(wù)器的各種設(shè)備上運(yùn)行。

『機(jī)器學(xué)習(xí)進(jìn)階筆記』系列將深入解析 TensorFlow 系統(tǒng)的技術(shù)實(shí)踐，從零開始，由淺入深，與大家一起走上機(jī)器學(xué)習(xí)的進(jìn)階之路。

這篇文章包括學(xué)習(xí) MNIST 的數(shù)據(jù)解析以及 softmax 回歸算法，創(chuàng)建一個(gè)基于圖片像素識(shí)別圖片數(shù)字的模型，使用 TensorFlow 來訓(xùn)練模型識(shí)別數(shù)字和使用我們的測試數(shù)據(jù)來驗(yàn)證模型的準(zhǔn)確性。

現(xiàn)在人工智能是個(gè)大熱點(diǎn)，而人工智能離不開機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)中深度學(xué)習(xí)又是比較熱門的方向，本系列文章就從實(shí)戰(zhàn)出發(fā)，介紹下如何使用 MXnet 進(jìn)行深度學(xué)習(xí)~

零基礎(chǔ)入門深度學(xué)習(xí) (1) - 感知器零基礎(chǔ)入門深度學(xué)習(xí) (2) - 線性單元和梯度下降零基礎(chǔ)入門深度學(xué)習(xí) (3) - 神經(jīng)網(wǎng)絡(luò)和反向傳播算法零基礎(chǔ)入門深度學(xué)習(xí) (4) - 卷積神經(jīng)網(wǎng)絡(luò) 零基礎(chǔ)入門深度學(xué)習(xí) (5) - 循環(huán)神經(jīng)網(wǎng)絡(luò)。 零基礎(chǔ)入門深度學(xué)習(xí) (6) - 長短時(shí)記憶網(wǎng)絡(luò) (LSTM)。 無論即將到來的是大數(shù)據(jù)時(shí)代還是人工智能時(shí)代，亦或是傳統(tǒng)行業(yè)使用人工智能在云上處理大數(shù)據(jù)的時(shí)代

本文是作者機(jī)器學(xué)習(xí)的經(jīng)驗(yàn)總結(jié)，適合所有對機(jī)器學(xué)習(xí)感興趣的初學(xué)者。
通過本文，你可以了解到機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)、梯度下降法、反向傳播算法、架構(gòu)、圖像處理方法、自然語言處理方法以及（高級）無監(jiān)督學(xué)習(xí)基礎(chǔ)等多個(gè)方面的內(nèi)容。此外，對于初學(xué)者的延伸學(xué)習(xí)，作者也給出了自己的建議。

一份關(guān)于深度學(xué)習(xí)的比較全面的總結(jié)。

如果你是一個(gè)想學(xué)習(xí)或理解深度學(xué)習(xí)的人，這篇文章是為你量身定做的。在本文中，我們將介紹深度學(xué)習(xí)中常用的各種術(shù)語。我為你創(chuàng)建了一個(gè)類似于深度學(xué)習(xí)的字典，你可以在需要使用最常用術(shù)語的基本定義時(shí)進(jìn)行參考。

本文以淺顯易懂的語言介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的定義及應(yīng)用，以及在源數(shù)據(jù)要求，硬件支持，特征工程、問題解決方式、執(zhí)行時(shí)間及可解釋性等方面的區(qū)別，對于新手入門有很大啟示意義。

梯度下降是機(jī)器學(xué)習(xí)中較為基本也比較常見的一類優(yōu)化算法的總稱。這篇文章就介紹了梯度下降，有代碼實(shí)現(xiàn)。

人工智能浪潮來襲，想學(xué)習(xí)卻不知從何入手？本文帶領(lǐng)你邁出成為 “AI 工程師” 的第一步?。ǜ?Demo）

Google 這個(gè)公司還真挺有意思，至少我對它充滿好奇和期待，感覺時(shí)不時(shí)總會(huì)推出一些創(chuàng)新的東西，一直引領(lǐng)著世界 IT 行業(yè)的創(chuàng)新潮流。比如 autodraw 我覺得就是一個(gè)拯救手殘黨的神器。

你是怎么開始 AI 學(xué)習(xí)之路呢？是以理論為中心從數(shù)學(xué)基礎(chǔ)開始，還是以工具為中心，以用促練，以練促學(xué)呢？

很多有價(jià)值的數(shù)據(jù)集

語言簡潔地講解 keras 框架的安裝與使用。

淘寶的搜索引擎涉及對上億商品的毫秒級處理響應(yīng)，而淘寶的用戶不僅數(shù)量巨大，其行為特點(diǎn)以及對商品的偏好也具有豐富性和多樣性。因此，要讓搜索引擎對不同特點(diǎn)的用戶作出針對性的排序，并以此帶動(dòng)搜索引導(dǎo)的成交提升，是一個(gè)極具挑戰(zhàn)性的問題。傳統(tǒng)的 Learning to Rank（LTR）方法主要是在商品維度進(jìn)行學(xué)習(xí)，根據(jù)商品的點(diǎn)擊、成交數(shù)據(jù)構(gòu)造學(xué)習(xí)樣本，回歸出排序權(quán)重。LTR 學(xué)習(xí)的是當(dāng)前線上已經(jīng)展示出來商品排序的現(xiàn)象，對已出現(xiàn)的結(jié)果集合最好的排序效果，受到了本身排序策略的影響，我們有大量的樣本是不可見的，所以 LTR 模型從某種意義上說是解釋了過去現(xiàn)象，并不一定真正全局最優(yōu)的。針對這個(gè)問題，有兩類的方法，其中一類嘗試在離線訓(xùn)練中解決 online 和 offline 不一致的問題，衍生出 Counterfactural Machine Learning 的領(lǐng)域。另外一類就是在線 trial-and-error 進(jìn)行學(xué)習(xí)，如 Bandit Learning 和 Reinforcement Learning。

很深入詳細(xì)地講解了 CNN。講得很明白。

GitHub 上 57 款最流行的開源深度學(xué)習(xí)項(xiàng)目

本文整理了 GitHub 上最流行的 57 款深度學(xué)習(xí)項(xiàng)目（按 stars 排名）。

基礎(chǔ)深度學(xué)習(xí)概念備忘錄翻譯自 DeepLearning Cheat Sheet。筆者還是菜鳥一枚，若有謬誤請多多賜教，另外如果希望了解更多機(jī)器學(xué)習(xí) & 深度學(xué)習(xí)的資料可以參考筆者的面向程序猿的數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)知識(shí)體系及資料合集以及程序猿的數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)實(shí)戰(zhàn)手冊。

騰訊云技術(shù)社區(qū) - 掘金主頁持續(xù)為大家呈現(xiàn)云計(jì)算技術(shù)文章，歡迎大家關(guān)注！ 作者 ：董超 上一篇文章我們介紹了 MxNet 的安裝，但 MxNet 有個(gè)缺點(diǎn)，那就是文檔不太全，用起來可能是要看源代碼才能理解某個(gè)方法的含義，所以今天我們就介紹一下 TensorFlow，這個(gè)由谷歌爸爸出…

圖解卷積神經(jīng)的各種操作，包括一些神奇的有趣的 GIF 動(dòng)畫。

非常全面的一篇學(xué)習(xí)資料

希望在本文中基于自己的工作經(jīng)歷對于 2017 年中的 Python 深度學(xué)習(xí)生態(tài)進(jìn)行一個(gè)綜合宏觀的介紹，希望為初學(xué)者勾勒出一幅清晰的群雄逐鹿圖

作者關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的筆記。

理解聊天機(jī)器人如何工作是很重要的。聊天機(jī)器人內(nèi)部一個(gè)基礎(chǔ)的組成部分是文本分類器。讓我們一起來探究一個(gè)用于文本分類的人工神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)。

前段時(shí)間，『機(jī)器學(xué)習(xí)進(jìn)階筆記』系列一直關(guān)注 TensorFlow 系統(tǒng)的技術(shù)實(shí)踐（想看 TensorFlow 技術(shù)實(shí)踐的同學(xué)可直接拉到文章底部看相關(guān)閱讀推薦），幫助大家從零開始，由淺入深，走上機(jī)器學(xué)習(xí)的進(jìn)階之路。雖然之前都在夸 TensorFlow 的好，但其劣勢也很明顯——對計(jì)算力要求太高，雖然使用方便，但是顯存占用太高，計(jì)算也不夠快，做公司項(xiàng)目還好，自己玩一些好玩的東西時(shí)太費(fèi)時(shí)間了。

簡而言之，窮！

今天新開一篇，給大家介紹另一個(gè)優(yōu)秀而強(qiáng)大的深度學(xué)習(xí)框架——MXnet，現(xiàn)在 MXnet 資源相對少一點(diǎn)，基于 MXnet 的有意思的開源項(xiàng)目也相對少一點(diǎn)，不過沒關(guān)系，都不是問題，他的優(yōu)點(diǎn)是足夠靈活，速度足夠快，擴(kuò)展新的功能比較容易，還有就是造 MXnet 都是一群說得上名字的大牛，能和大牛們玩一樣的東西，想想都很興奮有沒有！

那我們開始吧：）