神经网络结构是提高深度神经网络性能的基础。研究人员开发出了首个通过语法引导的神经网络生成器AOGNets，它能更有效地在原始数据中提取信息，在图像分类、目标检测和分割方面的表现优于包括ResNets、DenseNets、ResNeXts和DualPathN

同学，现在有一份33条神经网络训练秘笈，摆在你面前。AI大佬Andrej Karpathy ，刚刚发布了一篇长长长长博客，苦口婆心地列举了33条技巧和注意事项，全面避免大家踩坑，推特已有2,300多赞。AK在斯坦福读博的时候，是飞飞实验室的成员，毕业去了O

在这篇文章中，我们将在Python中从头开始了解用于构建具有各种层神经网络的小型库中的机器学习和代码。最终，我们将能够写出如下内容：。假设你对神经网络已经有一定的了解，这篇文章的目的不是解释为什么构建这些模型，而是要说明如何正确实现。最重要的一步是第四步。

本文扩展了Herman Kamper和我在2018年深度学习Indaba组织的自然语言处理前沿课程。整个课程的幻灯片都可以在这里找到，这篇文章将主要讨论NLP中基于神经网络方法的近期进展。特别是，它严重偏向于当前的神经方法，这可能给人留下此期间没有其他有影

用神经网络预测一波啊！机器学习和深度学习已经成为定量对冲基金为了实现最大化利润而通常使用的新的有效策略。作为一个人工智能和金融爱好者，这是一个令人兴奋的消息，因为神经网络结合了我感兴趣的两个领域。金融是高度非线性的而且有时股票价格数据甚至看起来完全随机的。

使用拓扑数据分析以紧凑且可理解的方式描述卷积神经网络的功能和学习过程。相关问题是对特定数据集经常存在某种过拟合现象，这会导致对抗行为的可能性。由于网络中神经元的数量非常庞大，这成为使得对其进行数据分析显得比较困难，尤其是对于无监督数据分析。

在前面的文章中，我们介绍了反向传播 算法，在本质上，BP算法是一种全连接神经网络。BP算法也有很多成功的应用，但只能适用于“浅层”网络，因为“肤浅”，所以也就限制了它的特征表征能力，进而也就局限了它的应用范围。在很大程度上问题就出在它的“全连接”上。但事实

ICLR 2019一篇论文指出：DNN解决ImageNet时的策略似乎比我们想象的要简单得多。这个发现使我们能够构建更具解释性和透明度的图像分类管道，同时也解释了现代CNN中观察到的一些现象。CNN非常擅长对乱序图像进行分类，但人类并非如此。这些模型被称为

Hinton创建的向量学院的研究者提出了一类新的神经网络模型，神经常微分方程，将神经网络与常微分方程结合在一起，用ODE来做预测。不是逐层更新隐藏层，而是用神经网络来指定它们的衍生深度，用ODE求解器自适应地计算输出。2015年横空出世的残差网络ResNe

今天，ArXiv上公布了深度森林系列最新的第三弹——可做表示学习的多层GBDT，冯霁、俞扬和周志华提出了一种新颖的具有显式表示学习能力的多层GBDT森林，它可以与目标传播的变体进行共同训练，这种方法在很多神经网络不适合的应用领域中具有巨大的潜力。还记得周志

在人工智能领域，深度神经网络的设计，如同绘制枝蔓繁复的兰竹，需在底层对其删繁就简；而将其拓展至不同场景的应用，则如同面向不同意境的引申，需要创新算法的支撑。中国科学院自动化研究所的程健研究员，向大家介绍过去一年，深度神经网络加速和压缩方面所取得的进展。郑板

麻省理工学院的研究人员利用机器学习算法中的深度神经网络，创造出了第一个可以在识别音乐类型等听觉任务上模拟人类表现的模型。该模型由许多信息处理单元组成，通过输入大量的数据来训练此模型，以完成特定的任务。麻省理工学院研究生Alexander Kell和斯坦福大

本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。早期的工作是利用本地滑动窗和HOG特征描述确定船的位置，但存在的缺点是高度不均匀背景下分辨不清晰。HOG+滑动窗物体检测方法在前期工作中取得瞩目成果，为了探索该方法的限制，将其应用于场景不太均匀的

DeepMind近日发表的最新研究提出“机器心智理论”，启发自心理学中的“心智理论”，研究者构建了一个心智理论的神经网络ToMnet，并通过一系列实验证明它具有心智能力。这是开发多智能体 AI 系统，构建机器 - 人机交互的中介技术，以及推进可解释AI发展

技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技术”，比如蒸汽机、内燃机、电力等。人工智能备受关注、取得革命性进步背后的推手，其实是“机器学习”。机器学习的具体定义也因此有许多不同的说法，分别以某个相关学科的视角切入。那么，当我