如今，人工智能程序可以识别照片和视频中的面部和物体，实时转录音频，提前数年通过X射线扫描检测癌症，并在某些最复杂的游戏中与人类竞争。幸运的是，转移学习是一种使用从一种训练有素的AI模型获得的知识到另一种知识的学科，可以帮助解决这些问题。例如，基本模型可能无

不同的损失函数可用于不同的目标。在这篇文章中，我将带你通过一些示例介绍一些非常常用的损失函数。这篇文章提到的一些参数细节都属于tensorflow或者keras的实现细节。损失函数有助于优化神经网络的参数。通过神经网络将目标(实际)值与预测值进行匹配，再经

图神经网络在各个领域越来越受欢迎，本文介绍了图神经网络的基本知识，以及两种更高级的算法：DeepWalk和GraphSage。最近，图神经网络 在各个领域越来越受到欢迎，包括社交网络、知识图谱、推荐系统，甚至生命科学。GNN 在对图形中节点间的依赖关系进

深度学习领域的大牛、多伦多大学计算机科学教授Geoffrey Hinton近年在distillation这一想法做了一些前沿工作。今天我们介绍的是Hinton作为作者之一，谷歌大脑、DeepMind等的研究人员提交的distillation的更进一步工作：

自体复制是生物体生活中的一个关键部分，然而这在以往的人工智能中被忽略了。最近，一些计算机科学家开始创造可以进行自体复制的神经网络，他们把这项研究发在了arXiv上。然而，在神经网络中，被克隆的是网络的权重而非源代码，因为权重才决定了不同节点之间的网络连接值

《纽约时报》今日发文，记者走访Hinton在多伦多的实验室，为我们带来Hinton新作“Capsule Network”的更多信息。同时，新智元注意到Hinton和Capsule Network作者之一的Nicholas Frosst最近新发表了论文，使用

在本文中，我们将构建一个卷积神经网络，将对7种类型的数千个图像进行训练，即：鲜花，汽车，猫，马，人，自行车，狗，然后能够预测是否给定的图像是猫，狗或人。加载和预处理自己的数据集 在Keras设计和训练CNN模型 绘制损失和准确度曲线 评估

本文总结了深度学习中常用的八大类型的卷积，以非常形象的方式帮助你建立直觉理解，为你的深度学习提供有益的参考。分别是单通道卷积、多通道卷积、3D卷积、1 x 1卷积、转置卷积、扩张卷积、可分离卷积、分组卷积。这里的滤波器是一个3 x 3矩阵，元素为[[0,1

人工智能繁荣发展的背后是各大厂商暗战的开始，大家都在为了争抢开发者推出各自的深度学习开发框架，而随着应用在不同场景下的关联性越来越强，碎片化的框架也对开发人员造成了困扰，开发框架需要统一。除此之外，Caffe、Torch、Theano也是比较流行的开发框架

当我们在处理图像识别或者图像分类或者其他机器学习任务的时候，我们总是迷茫于做出哪些改进能够提升模型的性能。。。或者说我们在漫长而苦恼的调参过程中到底调的是哪些参数。。。所以，我花了一部分时间在公开数据集CIFAR-10 [1] 上进行探索，来总结出一套方

现在对于AI 完成某项任务已不是什么新鲜事，毕竟在工业、医疗、农业等诸多方面都大放异彩。最近，机器人的大脑又不断被开发，不但开始拥有好奇心来驱动自学，而且还像人们解释为什么作出了某些决策?机器人发展将迎来质的飞跃。“我们需要质疑为什么算法程序会做出这样那