如今的人工智能存在一个很重要问题：太贵了。训练现代计算机视觉模型Resnet-152的成本大约为100亿浮点运算，这比起现代语言模型相形见绌。训练OpenAI的最新自然语言模型GPT-3预计耗费3000万亿浮点运算，其中在商用GPU上的成本至少为500万美

在上一篇文稿中主要对深度学习的基础做了一个阐述，对于其中的神经网络和BP算法进行额外的延伸与拓展。但作为日前最为火热的人工智能技术，掌握这些内容远远还不够。因为深度学习面临的实际问题往往不是线性可分的问题，有时甚至超出了分类的问题，这就必须对深度学习模型加

很多读者给芯君后台留言，说看多了相对简单的AI科普和AI方法论，想看点有深度、有厚度、有眼界……以及重口味的专业论文。为此，在多位AI领域的专家学者的帮助下，我们解读翻译了一组顶会论文。每一篇论文翻译校对完成，芯君和编辑部的老师们都会一起笑到崩溃，当然有的

设计模型执行分类任务时，有时需要同时选择多个答案，有时只能选择一个答案。本文将讨论如何应用Sigmoid函数或Softmax函数处理分类器的原始输出值。分类问题可通过不同神经网络进行解决，如前馈神经网络和卷积神经网络。将输出值转换为概率可能更容易理解。比起

科普作家的职责在于阅读充斥着专业科技术语的期刊论文，然后用平实的语言，让没有科学背景的读者也能理解文章的内容。即使在这样有限的程度里，这种神经网络也可以帮助编辑、作家和科学家扫描大量论文从而初步了解文章的内容。除了语言处理，该小组开发的这种神经网络还可以应

Yelp最近又火了一把，基于一次失败的“被删库”体验。这个更新说明意味着 Yelp应用最近的更新重点为去除各种漏洞、程序缺陷和改善应用功能，或许是由于程序故障排查已经成为一个常规工作，因而Yelp计划训练一套神经网络来进行程序故障的自动排查，但却意外发生了

文章主要关注深度神经网络架构下的有监督学习方式。虽然这个指南基于Python3.6坏境使用tensorflow编程，但它仍然可以作为一种语言无关的指南来使用。假设我们有一个卷积神经网络来训练和评估，并假设评估结果比预期的更糟。此处提供常见的损失函数列表。

在很多机器学习的实验室中，机器已经进行了上万小时的训练。在这个过程中，研究者们往往会走很多弯路，也会修复很多bug，但可以肯定的是，在机器学习的研究过程中，学到经验和知识的并不仅仅是机器，我们人类也积累的丰富的经验，本文就将给你几条最实用的研究建议。接下来

大脑精密复杂，被称为“地球上最复杂的生物结构”。马里兰大学工程学院的研究人员采用新计算方法，希望能深入了解听力障碍与神经网络的动态变化之间的关系。马里兰大学工程学院的电气工程师和神经科学家们联起手来研究了这个问题。研究人员还发现，即使没有受到明显的外部刺激

深度学习框架pytorch当我们开始尝试做一个深度学习项目之前，选择一个合适的框架是非常重要的，因为选择一个合适的框架能起到事半功倍的作用，每个深度学习研究者不需要写大量的重复代码，它能够提高我们的开发效率和速度。有许多优秀的深度学习框架，比如Tensor

如果希望了解机器学习，或者已经决定投身机器学习，你会第一时间找到各种教材进行充电，同时在心中默认：书里讲的是牛人大神的毕生智慧，是正确无误的行动指南，认真学习就能获得快速提升。但实际情况是，你很可能已经在走弯路。针对这个问题，第四范式创始人、首席执行官戴文

我们在设计机器学习系统时，特别希望能够建立类似人脑的一种机制。神经网络就是其中一种。但是考虑到实际情况，一般的神经网络不需要设计的那么复杂，不需要包含反馈和递归。人工智能的一大重要应用，是分类问题。本文通过分类的例子，来介绍神经网络。另外注意c的作用，如果

Entity-Duet Neural Ranking: Understanding the Role of Knowledge Graph Semantics in Neural Information Retrieval. 当前神经网络信息检索模型大概分

如何教机器学会看这个世界？卷积神经网络自2012年崭露头角到现在的广泛应用，其基本模型结构经历了数个阶段的发展，而了解这些发展的关键节点不仅有利于更好地了解卷积神经网络结构设计的一般规律和准则，也能让我们更深入地理解机器视觉的认知过程。在该讲中，我们将较为

来自 Silicon Valley Data Science 公司的研究人员为我们展示了循环神经网络探索时间序列和开发语音识别模型的能力。目前有很多人工智能应用都依赖于循环深度神经网络，在谷歌、百度和亚马逊的产品中都能看到RNN的身影。然而，当我们开始着