元学习描述了设计和训练深度神经网络相关的更高级别组件的抽象过程。在涉及神经网络体系结构的自动设计时，经常引用“自动机器学习”、“小样本学习”或“神经网络架构搜索”等。元学习是最有希望推动深度学习和人工智能发展的范例，且前途无可限量。OpenAI展示的机器人

人工智能已经成为技术圈的热点话题。它不仅改变了人们的生活，也彻底改变了你能想到的所有产业。不过，大众对人工智能还有着不同的认识。有些人认为人工智能不好，因为他们听说人工智能在未来会取代一些人的岗位。而人工智能的支持者认为，人工智能是一个社会发展的推动因素，

之前接触并了解过神经网络的相关概念，但是并没有做过任何系统的总结，这一段时间借此总结一下相关的概念；对于神经网络的入门概念来说最重要的是一些相关的理解性概念：反向传播、激活函数、正则化以及BatchNomalizim等。这里也牵扯到一个损失的概念，也就是l

在早期的几十年中，许多AI从业者在神经科学和心理学方面进行了很好的研究。它还启发了许多弱约束的分布式以满足作为AI计算模型的想法。信用分配问题可能是神经科学和人工智能领域最大的开放性问题之一。在AI中，这种信用分配问题在许多情况下通过多层计算的反向传播来解

通过使用Numpy来创建神经网络，让我意识到有哪些因素影响着神经网络的性能。架构、超参数值、参数初始化，仅是其中的一部分，而这次我们将致力于对学习过程的速度有巨大影响的决策，以及所获得的预测的准确性—对优化策略的选择。我们会研究很多流行的优化器，研究它们的

欢迎大家前往腾讯云+社区，获取更多腾讯海量技术实践干货哦~本文由forrestlin发表于云+社区专栏导语：转置卷积层又称反卷积层或分数卷积层，在最近提出的卷积神经网络中越来越常见了，特别是在对抗生成神经网络中，生成器网络中上采样部分就出现了转置卷积层，用

研究背景语音合成系统主要分为两类，拼接合成系统和参数合成系统。其中参数合成系统在引入了神经网络作为模型之后，合成质量和自然度都获得了长足的进步。另一方面，物联网设备的大量普及也对在设备上部署的参数合成系统提出了计算资源的限制和实时率的要求。本工作引入的深度

服装购买是一种繁重的体验，眼睛被太多的信息占据了。机器能自动检测衬衫、裤子、连衣裙和运动鞋的图片吗？事实证明，用高质量的训练数据对机器进行训练，准确地对时尚物品的图像进行分类是可行的。在本教程中，我们将从头开始构建一个机器学习模型，使用Fashion-MN

快来学习一下吧。本文我们聊聊另外两个人工神经网络的误解：许多算法都需要自己来写？；神经网络训练需要大量的数据？强化学习策略由三部分组成。规定神经网络如何做出决策的规则，例如使用技术指标和基本

快来学习一下吧。让我们继续谈谈关于人工神经网络的误解：神经网络体系结构很少，越大型的神经网络就越好？在递归神经网络中，部分或全部连接向后流动，这意味着网络中存在反馈机制。这也是递归神经网络在时间序列数据上表现更好的原因。多重共线性是当两个或多个自变量被输入

闲话少叙，下面直接进入正题吧。在图像着色任务中，我们的目标是在给定灰度输入图像的情况下生成彩色图像。因此，传统模型通常依赖于重要的用户输入以及输入的灰度图像内容。最近，深层神经网络在自动图像着色方面取得了显着的成功——从灰度到彩色，无需额外的人工输入。该色

计算机非常擅长数字运算，但对分析图像中的大量数据束手无策。直到最近找到了解决方法，即创建图像处理单元库，利用数千个内核的原始动力解锁图片背后的含义。使用自己的数据我们将使用一个示例数据集，它在随机色彩背景上由不同大小和颜色的圆圈、正方形和三角形组成。这一次

想象一下，只需使用脸部即可解锁手机，无需指纹扫描或触摸。它会在没有任何用户干预的情况下自动且完美地工作。是的，目前已经可以做到了这一点，它被称为iPhone X，你可能已经在使用它了。在不远的将来，我们能够通过展示我们独特的面部特征来租一辆车，并签署法律文

2017年对人工智能和加密货币来说是重要的一年, 我们见证了许多新的研究进展和突破。毋庸置疑，人工智能是当今甚至今后很长一段时间内最令人瞩目的技术之一。而加密货币在这一年中的热度之高是我所没有预料到的，这是加密货币的一波大牛市，投资加密货币的资回报率几近疯

该教程将介绍如何实现一个循环神经网络，一共包含两部分。你可以在以下链接找到完整内容。（一）线性循环神经网络（二）非线性循环神经网络这篇教程中的代码是由 Python 2 IPython Notebook产生的，在教程的最后，我会给出全部代码的链接，帮助学习

如果现在 Google 上搜深度学习，我们会发现深度学习的关注度从2012年到2017年上升了数十倍。尤其在中国，近两年几乎都在谈机器学习、人工智能。在深度学习这一块又拍云也进行了诸多的实践。先介绍一下又拍云在人工智能方面的首个产品——又拍云内容识别服务。

深度前馈网络是大多数深度学习模型的基础。这些网络主要用于监控机器学习任务，在这些任务中，我们已经知道目标功能，即我们希望网络实现的结果，并且这些网络对于实践机器学习非常重要，构成了许多商业应用的基础。在这种情况下，如果我们将最后一个隐藏层的反馈添加到第一个

本文将通过一系列的天鹅图片来解释卷积神经网络的概念，并使用CNN在常规多层感知器神经网络上处理图像。天鹅具有某些特征，可用于帮助确定天鹅是否在图片中存在，例如长颈、白色等。MLP有几个缺点，特别是在图像处理方面。例如，如果猫的图片出现在一张图片的左上角和另

Multi-Turn Video Question Answering via Multi-Stream Hierarchical Attention Context Network. 目前大多数视频问答方法主要集中在短视频问答的问题，前人的方法大多是从L

机器不学习 www.jqbxx.com : 深度聚合机器学习、深度学习算法及技术实战Limit of Linear Model实际要调整的参数很多。Linear Model的好处GPU就是设计用于大矩阵相乘的，因此它们用来计算Linear Model非常e