“新基建”给中国“产业智能化”带来强劲的新引擎。飞桨作为智能时代的操作系统与技术底座，也再次迎来高光时刻。5月20日，由深度学习技术及应用国家工程实验室与百度联合主办的“WAVE SUMMIT 2020”深度学习开发者峰会以线上形式召开。

继 Theano、Caffe 之后，又一个由高校主导的深度学习框架开源了，而且还是国产。但是，学界在这一领域的力量不容忽视。这一框架有望为深度学习社区提供新的方案，也能够推动深度学习框架国产化的进程。并且研发团队表示，采用元算子的 Jittor 已超越 N

然而，在过去几年里，情况发生了变化。在Cortex，用户推出了基于深度学习的新一代产品，与以前不同的是，这些产品并非都是使用独一无二的模型架构构建的。这种进步的背后驱动力是迁移学习。例如，哈佛医学院下属的一个研究小组最近部署了一个模型，该模型可以“根据胸片

前几天，人工智能和机器学习专家吴恩达发了一封公开信，宣布将在Coursera 上面发布新的深度学习课程 deeplearning.ai。这些课程将会帮助你掌握深度学习相关知识，并将其投入实际应用中，帮助你在AI领域有所建树。但在接下来的几年中，各种规模和所

先简单回顾一下，深度学习到底干成功了哪些事情！深度学习近些年在语音识别，图片识别，自然语音处理等领域可谓是屡建奇功。ImageNet：是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库，并且被业界熟知。然后是用其他字母来测试，这个模型的正确性。

介绍近些年来，深度学习技术已经彻底改变了计算机视觉领域。随着深度学习越来越商业化，希望它的创造性能应用在不同的领域上。今天，计算机视觉领域中的深度学习在很大程度上解决了视觉对象的分类、目标检测和识别问题。游梁式抽油机作为一种复杂的机械系统，很容易发生故障。

围棋曾经一度被称为“人类智慧的堡垒”，如今，这座堡垒也随之成为过去。从2016年三月份AlphaGo击败李世石开始，AI全面进入我们大众的视野，对于它的讨论变得更为火热起来，整个业界普遍认为，它很可能带来下一次科技革命，并且，在未来可预见的10多年里，深刻

最新DataOps平台的真正价值，只有在业务用户和应用程序能够从各种数据源来访问原始数据和聚合数据，并且及时地产生数据驱动的认识时，才能够实现。利用机器学习，分析师和数据科学家可以利用历史数据，以及实时地使用类似TensorFlow这样的技术，以做出更好的

几个月前，我试图解决文本分类问题，即分类哪些新闻文章与我的客户相关。我只有几千个标记的例子，所以我开始使用简单的经典机器学习建模方法，如TF-IDF上的Logistic回归，但这个模型通常适用于长文档的文本分类。正则化正则化方法是在机器学习模型内部以不同方

2018年7月，阿里云将深度学习工具Arena贡献给了开源社区，数据科学家无需学习底层IT资源使用，即可在云端运行深度学习，一分钟内启动深度学习任务，十五分钟内创建异构计算集群。KubeFlow是基于Kubernetes构建的可组合，便携式, 可扩展的机器

所谓的向量嵌入，在图像处理领域常见的就是CNN，CNN通过对图像做各种操作之后，将图像编码为向量化结构。但是这种获取向量嵌入的方法只是把模型最后一层的向量化表示给输出出来，而丢掉了网络的其他层对输入文本的特征抽取与表示。把所有的嵌入式表达转换为拓扑结构，从

纯干货：深度学习实现之空间变换网络-part1在第一部分中，我们主要介绍了两个非常重要的概念：仿射变换和双线性插值，并了解到这两个概念对于理解空间变换网络非常重要。我们将在后续第三部分中使用Tensorflow实现该网络。池化层在空间上对数组进行下采样。池

我在PacBio做了9年的科学研究员，经过我与众多科研人员的努力，单分子测序在科学界变得火热起来。我的大部分技术/科学工作都与DNA序列有关。虽然我现在所掌握的深度学习方法可以解决我所面临的问题，但我确实喜欢探索一些DNA测序以外的东西。不久前我加入了DN

以下为大家介绍两种新的AWS深度学习AMI的可用性:一个基于Conda的AMI，它具有独立的Python环境，它使用了Conda创建的深度学习框架。还有一个是有GPU驱动程序和库在基于AMI的基础上部署你自己定制的深度学习模型。深度学习技术正在快速发展。虚

在过去几年中，神经网络领域的发展非常迅猛，也是现在图像识别和自动翻译领域中最强者。TensorFlow 是谷歌发布的数值计算和神经网络的新框架。本文中，我们将演示如何使用TensorFlow和Spark一起训练和应用深度学习模型。为了回答这个问题，我们将会

PaddlePaddle的研发始于2013年，伴随着百度广告、文本、图像、语音等训练数据的快速增长，以及百度外卖、搜索、无人驾驶领域的算法要求，百度深度学习实验室在基于单GPU训练平台的基础上，研发了Paddle这个多机并行GPU这个训练平台。Paddle

过去10年，人们对机器学习的兴趣激增。几乎每天，你都可以在各种各样的计算机科学课程、行业会议、华尔街日报等等看到有关机器学习的讨论。在所有关于机器学习的讨论中，许多人把机器学习能做的事情和他们希望机器学习做的事情混为一谈。从根本上讲，机器学习是使用算法从原

说到模型对于硬件的要求，大家第一个想到的就是计算量，即一个深度学习模型需要多少次计算才能完成一次前馈。然而，除了运算量之外，模型对于内存带宽的需求也是影响实际计算所需要时间的重要参数。我们下面会看到，在内存带宽有限的情况下，仅仅缩小计算量并不能让计算时间等

近些年来，人工智能领域又活跃起来，除了传统了学术圈外，Google、Microsoft、facebook等工业界优秀企业也纷纷成立相关研究团队，并取得了很多令人瞩目的成果。这要归功于社交网络用户产生的大量数据，这些数据大都是原始数据，需要被进一步分析处理;