随着企业开始使用可将其数据投入使用的深度学习项目，他们必须保护这些数据，而数字孪生是成功的关键。在当今世界，数据为王。无论您从事什么业务，数据都是您最宝贵的资产。深度学习成功的最重要因素是拥有足够的正确种类的数据。深度学习使用神经网络来执行高级模式匹配。在

深度学习是人工智能的一个子集，它使用多层人工神经网络来执行一系列任务，从计算机视觉到自然语言处理。深度学习与传统机器学习系统的不同之处在于，它能够在分析大型数据集时进行自我学习和改进，因此能应用在许多不同的领域。语言障碍、自闭症和发育障碍可能会剥夺患有这类

目前，深度学习已经成为数据科学领域最热门的技能，我们可以利用大量的文章、课程等资源入门深度学习，但是想要拿下深度学习并不是一件简单的事，它有太多的应用程序，一个人无法在短时间内学到所有的内容，就算有人可以，那他也无法在短时间内达到精通的程度。今天，我们将和

基于目前人类在神经网络算法和机器深度学习取得的成就，很容易让人产生计算机科学只包含这两部分的错觉。毕竟神经网络算法在人脸识别、棋类和各类街机游戏竞技中的表现已经开始超越人类了。一种全新的算法甚至比深度学习和神经网络有更明显的优势：这种算法是基于创造人类大脑

上周在搜索关于深度学习分布式运行方式的资料时，无意间搜到了paddlepaddle，发现这个框架的分布式训练方案做的还挺不错的，想跟大家分享一下。下一次再介绍用PaddlePaddle做分布式训练的方案。其实之前也写过一篇用CNN识别手写数字集的文章，是用

在“深度学习的异构加速技术（一）”一文所述的AI加速平台的第一阶段中，无论在FPGA还是ASIC设计，无论针对CNN还是LSTM与MLP，无论应用在嵌入式终端还是云端，其构架的核心都是解决带宽问题。不解决带宽问题，空有计算能力，利用率却提不上来。就像一个8

本文是Google Brain工程师周h枫在QCon上海2017和DevFest 2017上的演讲实录，由GDG整理和发布。我的名字叫做周h枫，我是 Google Brain 的工程师，我现在做 TensorFlow 和 TensorFlow 分布式的开发

人类心脏是一台令人惊叹的机器，它能持续运转长达一个世纪而不失灵。测量心脏功能的关键方法之一是计算其射血分数，即每搏输出量占心室舒张末期容积量的百分比。而测量这个指标的第一步依赖于对心脏图像心室的分割。当我在纽约从事Insight AI计划时，我决定着手处理

深度学习在2006年开始崭露头脚后，近几年取得了飞速的发展，无论是学术研究还是企业应用均呈现出指数级增长的趋势;伴随着这项技术的不断成熟，深度学习在智能语音领域率先发力，取得一系列成功的应用。例如，一. 音色的定制化，需要跟踪录大量的音库，重新训练一个模型

被堵在路上是个又丧又费钱的事儿，除了让人头疼还可能导致错过约炮，交通堵塞使美国司机每年多花3000亿。研究人员认为即使是少数的自动驾驶车也将会大大改善交通流。Lex Fridman和他在MIT的团队创造了一个游戏，来加速实现这个设想。Deep Traff

大部分机器学习算法，其实是在一个理想空间里寻找一个最大/最小值。三维空间是无限大的，在某个实际场景，假设我们有了解决某个问题的数据的全集，基于这些数据我们得到的优化函数的所有解构成了一座山。我们并不知道这座山的最低点是哪里，所以为了找到它，我们随机定位在一

我们工作中经常会问： “深度学习该从哪里学起?”虽然网上已经有点了大量的免费课程，但是冗杂的信息太多。为了帮助你进入深度学习的“坑”，我们整理了以下这些资源。浏览一遍基本足够，不过完成课后任务会对你的理解有进一步的提升。