手把手解读基于双路径图神经网络模型的图翻译器

图可以表征很多现实世界的数据以及数据之间的关系，例如网络交通图，脑神经图，化学分子结构图和社交网络等。近年来，对图的深度学习引起了人们的浓厚兴趣，尤其是对于图的特征表示和识别任务。与其他深度神经网络模型不同，图神经网络专注解决图类型数据的深层特征提取并取得了广泛的应用，例如在推荐系统，交通流量预测，社交网络社群探索等。

今晚，华为NeurIPS论文分享：基于少量数据的神经网络模型压缩技术

在最新一期的NeuIPS 2019 线上论文分享中，我们邀请到了华为诺亚方舟实验室研究员许奕星为我们介绍模型压缩这一热门研究主题。12 月 8 日-14 日，NeurIPS 2019 将于加拿大温哥华举办。在论文方面，今年大会投稿数量也创下了历史新纪录，一共提交 6743 篇有效论文，接收 1428 篇，接受率为 21.17%。本届 NeurIPS，机器之心为读者们精心策划了 NeurIPS 2019 专题，包括线上分享、论文解读、现场报道等内容。目前主要研究方向为神经网络模型小型化，神经网络自动搜索以及半监督学习。

40行Python代码，实现卷积特征可视化

A friend who understands your tears is much more valuable than a lot of friends who only know your smile.一个懂你泪水的朋友，胜过一群只懂你笑容的朋友。易怒的人都很敏感，敏感的人都很好强，好强的人都很固执，固执的人都很单纯，单纯的人都很天真，天真的人都缺心眼，这才是真相。卷积神经网络变革了计算机视觉，并将彻底改变整个世界。因此，开发解释 CNN 的技术也同样是一个重要的研究领域。本文将向你解释如何仅使用 40 行 Python 代码将卷积特征可视化。最近在阅读 Jeremy Rifkin 的书《The End of Work》时，我读到一个有趣的关于 AI 的定义。我很喜欢这个定义，因为它避免了类似」在人类智力意义上 AI 是否真正达到智能」的讨论。深度学习研究的目的是从数据中学习到目前为止还没有自动化的流程的规则并实现自动化。后者的想法是由 Erhan 等人提出的。