强化学习是一种允许你创造能从环境中交互学习的AI agent 的机器学习算法。如上图所示，大脑代表AI agent并在环境中活动。反馈包括回报和环境的下个状态。如果类比人类学习自行车，我们会将车从起始点到当前位置的距离定义为回报。2013年，在DeepMi

降维：减少要考虑的随机变量的数量，常见的算法有：PCA、feature selection、non-negative matrix factorization，常见的应用有：可视化，提高效率。

序列模型广泛应用于语音识别，音乐生成，情感分析，DNA序列分析，机器翻译，视频行为识别，命名实体识别等众多领域。单词是无法直接输入到网络中，所以必须转成数子，用数字来表示单词。方法是将数据集中出现次数最多的10000个单词，然后用one-hot来表示每一个

一位北大的老哥把《动手学深度学习》翻译成了 Pytorch 版

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。《TensorFlow：实战Google深度学习框架（第2版）》为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦

数据增强让有限的数据产生更多的数据，增加训练样本的数量以及多样性，提升模型鲁棒性。对于图像类型的训练、数据，所谓的数据增强方法是指利用平移 、 缩放、颜色等变躁，人工增大训练、集样本的个数 ，从而获得充足的训练数据，使模型训练的效果更好。

书人称AI圣经是深度学习领域伟大的教材，这本书通过不同的方面讲解了未来深度学习的研究重点，非常适合补充深度学习方面的知识。第 1 章 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ISSbRC 方法取得了一定的分割效果,但也存在图像分割精度不高和分割速度不够快等问题,因此,一些研究者提出直接在像素级别上进行图像语义分割,产生了基于像素分类的图像语义分割方法。从时间上来看bPC比bRC要晚。素的类别,通过端到端训练的方式对每个像素进行

图像分割是计算机视觉领域中的一项重要基础技术，是图像理解中的重要一环。图像分割是将数字图像细分为多个图像子区域的过程，通过简化或改变图像的表示形式，让图像能够更加容易被理解。更简单地说，图像分割就是为数字图像中的每一个像素附加标签，使得具有相同标签的像素具

为了维持POI数据的鲜度，高德会通过大量的数据采集来覆盖和更新。现实中POI名称复杂，多变，同时，名称制作工艺要求严格，通过人工来制作POI名称，需要花费大量的人力成本。因此，POI名称的自动生成就显得格外重要，而机器对商户挂牌的语义理解又是其中关键的一环

前几节给予Fashion_MNIST数据集的实验中，我们评价了机器学习模型在训练集合测试集上的表现。通常得到的结果都是训练数据集上更准确时，它在测试集上表现不一定更好，这就涉及到了模型的选择以及拟合程度的选择。这部分数据被称为验证数据集。为了解释模型复杂度

上一篇实践学习中，遇到了在多/单个GPU、GPU与CPU的不同环境下训练保存、加载使用使用模型的问题，如果保存、加载的上述三类环境不同，加载时会出错。就去研究了一下，做了实验，得出以下结论：。net = nn.DataParallel #保存多GPU的，

深度学习和人工智能已经不再是科幻小说中遥不可及的目标，目前已成为了互联网和大数据等领域的前沿研究内容。相关内容分成四个部分，主要深入探索深度学习、数据库的选择以及相关实际商业应用问题等。在第I部分中，将介绍人工智能、机器学习和深度学习三者之间的历史；人工智

科大讯飞日前在全球最具影响力的口语机器翻译评测比赛IWSLT中，获得了语音翻译端到端模型评测的冠军，还成为英德口语翻译任务中唯一受邀做Oral report的参赛团队。端到端技术是当前语音翻译的研究前沿，科大讯飞联合优化语音识别和机器翻译的新技术路线，理论

华盛顿大学计算机系博士生陈天奇、以及上海交通大学和复旦大学的研究团队提出一个基于学习的框架，以优化用于深度学习工作负载的张量程序。该研究使用基于机器学习的方法来自动优化张量运算核心并编译AI工作负载，从而可以将最优的性能部署到所有硬件。实验结果表明，该框架

书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。最后，想学习Python的小伙伴们！

深度学习已成为大多数AI问题的首选技术，使得经典机器学习相形见绌。但是，尽管深度学习有很好的性能，经典机器学习方法仍有一些优势，而且在一些特定情况下最好使用经典机器学习方法，例如线性回归或决策树，而不是使用一个大型深度网络。本文将对比深度学习和经典机器学习

深度学习推动计算机视觉、自然语言处理等诸多领域的快速发展。在AI大热和人才奇缺的今天，掌握深度学习成为进入AI领域研究和应用的必备技能。来自亚马逊主任科学家李沐将以计算机视觉的经典问题——图像分类为例，手把手地教导大家从0到1搭建深度神经网络模型。让大家有

深度学习是机器学习的一个子领域，它有着自己的独特研究对象。这些经验虽然看似有些笼统，但他们确实是关于深度学习在结构化和非结构化数据领域里的应用。目前，只有当在一个受监督的上下文环境中，深度学习才能很好地工作。并不是所有的数据都已经为机器学习做好了准备和标记

HowNet是董振东先生、董强先生父子毕数十年之功标注的大型语言知识库。文章分别探索了词汇表示学习、新词义原推荐、和词典扩展等任务上，验证了HowNet与深度学习模型融合的有效性。HowNet秉承还原论思想，认为词汇/词义可以用更小的语义单位来描述。这种语