要实现安全的自动驾驶，这是一个必须回答的关键问题，这也就是自动驾驶领域中的行为预测问题。行为预测的难点在于周围行人、车辆的不确定性和各种规则之外的行为。这些状况难以进行确定性的预测，只能通过训练数据分析各种行为的可能性来达到更加合理的预测效果。面对这种情况

深度学习模型的最大问题之一是它们经常很大，往往无法在单个GPU中进行训练。它们是包装和更改代码以及增加在多个GPU中训练网络的功能的简单方法。nn.DataParallel更容易使用，但只需要在一台机器上使用。nn.DataParalllel在每个批次中，

训练并推断 11 亿节点的图，闲鱼垃圾评论过滤系统也用上了最前沿的图卷积神经网络。阿里巴巴的这项研究获得了 ACM CIKM 2019 最佳应用论文奖，这足以说明图卷积在传统任务中的强大潜力。垃圾信息过滤一直是我们关注的问题，虽然表面上它只是一个最简单的二

人工神经网络是一种监督机器学习算法，在语音和图像识别、时间序列预测、机器翻译软件等领域都有广泛的应用。它们在研究中很有用，因为它们能够解决随机问题，而随机问题通常允许对极其复杂的问题求近似解。为了解决这类问题，本文将指导如何使用遗传算法在Python中自动

近日，研究人员利用基于神经网络的新算法，成功模拟了量子系统的“稳态”。利用神经网络估计并模拟波函数和密度矩阵，大大降低了计算复杂度和算力需求，为解决量子科学和信息领域的几个突出问题打下了基础。即使是在日常生活中，大自然也受到量子物理定律的支配。但是当涉及到

不过这种方法虽好但当时对于硬件的要求很高，近日 Uber 新的开源项目解决了这一问题，其代码可以让一台普通计算机在 4 个小时内训练好用于 Atari 游戏的深度学习模型。现在，技术爱好者们也可以接触这一前沿研究领域了。

我们熟知的SQL是一种数据库查询语句，它方便了开发者在大型数据中执行高效的操作。但本文从另一角度嵌套SQL查询语句而构建了一个简单的三层全连接网络，虽然由于语句的嵌套过深而不能高效计算，但仍然是一个非常有意思的实验。也就是说，这个有趣的项目用于测试 SQL

用于「欺骗」神经网络的对抗样本是近期计算机视觉，以及机器学习领域的热门研究方向。只有了解对抗样本，我们才能找到构建稳固机器学习算法的思路。本文中，UC Berkeley 的研究者们展示了两种对抗样本的制作方法，并对其背后的原理进行了解读。也许有一天，这真的

日前，机器之心介绍了一种压缩手机端计算机视觉模型的方法。在这篇文章中，我们介绍了一篇论文，介绍和对比了手机端语言模型的神经网络压缩方法。神经网络模型需要大量的磁盘与存储空间，也需要大量的时间进行推理，特别是对部署到手机这样的设备上的模型而言。在目前的研究中

近日，一篇题为《Training Neural Networks with Very Little Data-A Draft》IEEE 论文提出了一种使用少量数据训练神经网络的新方法，即通过极坐标空间中的径向变换 实现图像增强。它并未改变数据的信息内容，而

近日，马里兰大学和亚利桑那州立大学的研究者叶承羲、杨叶舟、Cornelia Fermüller、Yiannis Aloimonos 发表了一篇论文《On the Importance of Consistency in Training Deep Neur

本篇文章把两个 SLAM子任务作为机器学习问题，研发出了两个简单的数据生成器，用几百行代码就可以实现，设计了两个可以实时运行的简单的卷积神经网络，并且在人工合成数据和真实数据上都对它们进行了评估。第一个网络，MagicPoint，对单一图像进行操作，并且提

我们的机器学习数据集包含24个American Sign Laguage字母表的许多图像。每个图像的大小为28x28像素，这意味着每个图像总共784个像素。我们的数据集采用CSV格式。您可以使用以下Python代码查看机器学习数据集：。预处理train_X

近日，谷歌开源了 MobileNets，一个支持多种视觉识别任务的轻量级模型，还能高效地在移动设备上运行。同时机器之心也关注过开源圈内利用苹果最新发布的 Core ML 实现的谷歌移动端神经网络 MobileNet。此外，谷歌的这次开源充分地体现了其「移动

Conv_1_1是图像在第一个堆栈中通过的第一个卷积层。网络中卷积层最深的是conv_5_4。分离风格与内容风格转换依赖于分离图像的内容和风格。对象及其排列与内容图像相似样式、颜色和纹理与风格图像相似下面是一个例子，内容图像是一只猫，风格图像是葛饰北斋的巨

目前绝大多数深度学习模型中的数学都是实数值的，近日，蒙特利尔大学、加拿大国家科学院-能源/材料/通信研究中心、微软 Maluuba、Element AI 的多名研究者在 arXiv 上发布了一篇 NIPS 2017论文，提出了一种可用于复数值深度神经网络的

使用诸如Keras、TensorFlow或PyTorch等高级框架，我们可以快速构建非常复杂的模型。这次我们将尝试利用我们的知识，只使用NumPy构建一个完全可操作的神经网络。最后，我们还将使用它来解决简单的分类问题，并将其与用Keras构建的机器学习模型

神经网络对于分类问题是众所周知的，例如，它们用于手写数字分类，但问题是如果我们将它们用于回归问题会有成效吗？在本文中，我将使用深度神经网络使用Kaggle的数据集来预测房屋定价。首先，我们将导入所需的Python依赖项：from keras.callbac

传统的神经网络训练方法是根据通过网络传回的误差来调整权重。通过网络输入的结果与期望值的比较，计算出了这个误差。创建神经网络的人会花一些时间摆弄神经网络的参数，直到神经网络能够从给定的数据中学习，通过使用上述误差调整其权重。自动参数确定已经存在一些现有方法来

卷积神经网络对计算成本的要求一直以来都让其在嵌入式或移动平台上的商业应用举步维艰，近日，韩国仁荷大学的研究者提出了一种有望解决这一难题的「WR-Inception」，引起了广泛关注。本文是对其研究论文的摘要介绍，原论文请点击文末「阅读原文」查看。自卷积神经