在这篇文章中，我们将学习如何使用Keras创建一个简单的神经网络来从非结构化文本数据中提取信息。模型架构在这里，我们将使用BILSTM + CRF层。LSTM层用于过滤不需要的信息，将仅保留重要的特征/信息，而CRF层用于处理序列数据。BI-LSTM用于为

为了挑选出2019年最好的开源项目，最近某位Medium网友整理了2019年Reddit机器学习板块热门高赞项目资源汇总，一起来看看都有哪些项目上榜：。作者整理了一个机器学习数据集相关的列表集合，可用于机器学习实验。这关于一个使用机器学习创建的猫门。Plu

一篇上了《自然》杂志的学术论文刚刚遭到了数据科学家们的群嘲：研究中出现了一个明显的小学生级别错误——训练数据集和测试数据集大大重叠。这篇名为Deep learning of aftershock patterns following large earth

来自北京邮电大学的研究人员开发了一种AI模型压缩算法，可以让深度学习的运算不再依赖高昂的计算和存储设备，保持模型的识别精度无损的前提下，显著降低模型的计算复杂度，本文带来技术解读。研究人员称，模型压缩算法能够有效降低参数冗余，从而减少存储占用、通信带宽和计

2018年图灵奖得主，“深度学习三巨头”Geoffrey Hinton, Yann LeCun和Yoshua Bengio早年也曾饱受嘲笑，但终于熬过寒冬。近日，ACM通讯对三人进行了专访。虽然曾遭受怀疑甚至嘲笑，2018年图灵奖获得者Geoffrey H

胶囊图神经网络是在GNN启发下诞生了基于图片分类的新框架。CapsGNN在10个数据集中的6个的表现排名位居前两名。与所有其他端到端架构相比，CapsGNN在所有社交数据集中均名列首位。从名字不难看出，它是受图神经网络的启发，在其基础上改进而来的成果。Ca

最近，我对图像核和卷积运算在图像处理中的应用产生了兴趣。诚然，这是因为它在社交媒体网站和Snapchat和Instagram等应用程序上很受欢迎。在一些应用程序上的许多照片都使用了特效，这些特效是通过改变图片像素的值和操作来实现对图像的修改。图像处理有许多

我们将描述风格转移技术、使用的机器学习模型架构、在受约束的硬件上实时执行风格转移的挑战和限制、为优化这些约束的风格转移系统而采取的措施，以及创建应用CoreML和Swift来包装机器学习模型的iOS应用程序。背景神经风格转移是用于将一个图像的艺术风格与另一

本文简要介绍深度学习以及它支持的一些现有信息安全应用，并提出一个基于深度学习的TOR流量检测方案。我们看到的大多数深度学习应用程序通常面向市场、销售、金融等领域，但在使用深度学习来保护这些领域的产品和业务、避免恶意软件和黑客攻击方面，则鲜有文章或资源。UE

深层神经网络的模型可解译性一直是使用案例的一个限制因素，需要对模型中所涉及的特征进行解释，许多行业如金融服务就是这种情况。金融机构无论是通过监管还是通过选择，都更喜欢人类容易理解的结构模型，这就是为什么这些行业内的深度学习模式的采用速度缓慢的原因。关键用例

《深度学习》（花书）作者Ian Goodfellow今早连发了10条推特，细数了他最喜欢的两个机器学习“黑魔法”。他在著名的GAN论文中使用这两个小窍门推导了公式。最后，他还不忘操心大家的学习，推荐了一本关于凸优化的书。当然，更详尽的操作还是要去看Good

训练深度神经网络很困难。它需要知识和经验才能正确地训练和获得最佳模型。在这篇文章中，我想分享我在深度神经网络训练中学到的知识。以下提示和技巧可能对您的研究有益，可以帮助您加速网络架构或参数搜索。如果没有，训练将无效。最广泛使用的预训练模型是VGG网络，Re

反向传播是神经网络训练中常用的一种方法，它是通过对每一层的权值进行调优来实现输出误差的反向传播，从而使损失函数最小化。所处理的示例数量称为“mini-batch size”，是需要优化的神经网络的超参数之一，因为我们将看到，这个大小的值会影响学习的速度和准

神经网络的种类越来越多，可以说是在呈指数级地增长。我们需要一个一目了然的图表，在这些新出现的网络构架和方法之间进行导航。幸运的是，来自Asimov研究所的Fjodor van Veen编写了一个关于神经网络的精彩图表。接收一些输入，把它们加总，通过激活函数

今天我们将使用的主要库叫做MLPClassifer。这个库没有任何反向传播，因此应该在具有二进制输出或输出节点很少的中小型数据集中使用。我们还将实现更多的库作为辅助工具。我们将使用一个名为“exercise”的数据集，建立一个神经网络，根据人们的饮食和脉搏

计算机配有大型硬盘以及强大的 CPU 和 GPU，而手机并不具备这些。为了弥补这种硬件上的短板，我们就需要使用一些技巧来高效地运行深度学习应用。所谓“饱和点”就是一个指标中的收益无法再通过其它指标中的损失来实现。在达到“饱和点”之前保持优化值，我们就可以在

据说人类有左脑和右脑的两部分。已知大脑的左侧是分析和解决问题技能的中心。大脑的右侧被称为艺术能力的中心。创造“原创”内容的能力将人与机器区分开来。已有数百年的艺术家掌握了这些技巧，并在这些各自的艺术媒介中创造了基准，我们至今仍然对此表示赞赏。生成对抗网络在

The Hive的机器学习工程师利用开源的grad-cam项目，预测神经网络决策和图像分析时的焦点，发现神经网络关注的部分实际上与人十分类似。但是，也是有意外的地方。使用grad-cam，我们探索了模型的预测过程，对于不同类型的图片，包括动作/静态、暴力、

它始于输出结果为有实际意义的连续值的线性回归，但是线性回归对于分类的问题没有办法准确而又具备鲁棒性地分割，因此我们设计出了逻辑回归这样一个算法，它的输出结果表征了某个样本属于某类别的概率。逻辑回归的成功之处在于，将原本输出结果范围可以非常大的θTX 通过s