为了提高人脸识别的实时性，我们团队将传统的利用神经网络框架推理升级至统一的 TensorRT 加速推理。经实验对比，经 TensorRT FP16 模式推理加速后的人脸识别不仅几乎无损精度，甚至于在部分场景精度有提升，识别速度提升为原来的 2.3 倍。统一

正文人脸识别的神经网络需要解决距离函数d的问题，那么如何才能学到函数d呢？因为只有学到函数d，我们才能知道输入的两张人脸是不是同一个人，我们可以学习一下Siamese 网络。把((1))看作是输入图像的编码。当我们有一个已经训练好的神经网络的时候，我们就可

本文是清华大学刘知远老师和学生韩旭、高天宇所写的关于知识图谱相关的介绍。文章回顾了知识图谱领域的发展历程，并综述了近年来的研究进展，机器之心获授权转载。最近几年深度学习引发的人工智能浪潮席卷全球，在互联网普及带来的海量数据资源和摩尔定律支配下飞速提升的算力

计算机具有高储量的硬盘和强大的CPU和GPU。但是智能手机却没有，为了弥补这个缺陷，我们需要技巧来让智能手机高效地运行深度学习应用程序。对于大多数技术，我们会密切关注我们的指标并寻找我们称之为饱和点的东西。通过在饱和点之前保持优化值，我们可以获得最佳值。我

卷积神经网络可以算是深度神经网络中很流行的网络了。本文从基础入手，介绍了卷积网络的基本原理以及相关的其它技术，并利用卷积网络做了一个简单项目作为示例参考。想入手 CNN 的朋友不可错过~从 Alex Krizhevsky 及其朋友通过 ImageNet 公

选自code.fb，作者：MARAT DUKHAN、YIMING WU、HAO LU，机器之心编译。今天，Facebook 开源了一个高性能内核库——QNNPACK，专为移动 AI 进行优化。该内核库加速了许多运算，如深度类型的卷积，促进了神经网络架构的使

选自ACM，作者：Norman P. Jouppi, Cliff Young, Nishant Patil, David Patterson ，机器之心编译。2017 年图灵奖获得者、《计算机体系结构：量化研究方法》一书的作者、谷歌杰出工程师 David

选自offconvex，作者：John Miller，机器之心编译，参与：乾树、张倩、思源。在过去几年中，虽然循环神经网络曾经一枝独秀，但现在自回归 Wavenet 或 Transformer 等模型在各种序列建模任务中正取代 RNN。机器之心在 GitH

机器之心专访，口述：范力欣，整理：邱陆陆。他的研究领域包括机器学习、计算机视觉、图像视频处理、大数据处理、增强现实和虚拟现实、移动计算和普适计算等。他发表了 50 多篇论文和近百篇专利申请。加入诺基亚以前，范力欣博士曾在施乐欧洲研究中心 工作，其合作的

选自Hackernoon，作者：Debarko De，机器之心编译，参与：李诗萌、路。本文简要介绍了什么是循环神经网络及其运行原理，并给出了一个 RNN 实现示例。本文试图回答上述这些问题，还展示了一个 RNN 实现 demo，你可以根据自己的需要进行扩展

本文探讨了同等复杂度模型之间的知识迁移，并发现知识蒸馏中的学生模型在性能上要比教师模型更强大。此外，他还指出，我们可以将这些模型组成一个集成算法，从而获得优于单个模型的预测能力。表 5：Densenet 到 ResNet：BAN-ResNet 在 CIFA

PyTorch的构建者表明，PyTorch的哲学是解决当务之急，也就是说即时构建和运行我们的计算图。这恰好适合Python的编程方法，因为我们不需要等待整个代码都被写入才能知道是否起作用。我们很容易运行部分代码，并实时检查它。PyTorch是一个基于Pyt

在机器之心周二发布的文章《吴恩达宣布启动 AI Fund：1.75 亿美金进军 AI 创投》中，读者纷纷留言 deeplearning.ai 的第五课什么时候开始。终于，大家翘首期盼的课程今天开课了，同时也意味着该系列课程要结课了。自去年 8 月发布以来，

近日，DeepMind在其官方博客上发表了一篇题为《Interpreting Deep Neural Networks using Cognitive Psychology》的文章，试图通过认知心理学来解决深度神经网络中的「黑箱问题」，随着神经网络被广泛应

CS231n 一直是计算机视觉最为经典的课程，而该 2017 年春季课程由李飞飞主讲，并邀请了 Goodfellow 等人对其中部分章节详细介绍。本课程从计算机视觉的基础概念开始，再在奠定了基本分类模型、神经网络和优化算法的基础后，李飞飞等人重点详细介绍了

本文主要介绍了一种基于神经网络的命名实体识别系统 NeuroNER，并附上了安装、下载的项目地址，希望对自然语言处理感兴趣的同学有所帮助。NER 旨在识别文本中的有趣实体，例如位置、组织和时序表达。在训练的过程中，NeuroNER 允许监控网络。评估 Ne

在真实世界中驾驶车辆会遇到无限多种可能性，这意味着对每一种情况进行预先编程是难以想象的，而人工智能的出现为我们解决了机器面临突发情况的问题。而且，现在你还可以看到它们在工作中都会关注哪些东西。通过 NVIDIA PilotNet，英伟达和谷歌的工程师们构建

而现如今有许多不同的学习算法，它们每一个都有不同的特征和表现。神经网络中的学习过程可以形式化为最小化损失函数问题，该损失函数一般是由训练误差和正则项组成。训练损失函数取决于神经网络中的自适应参数。如上图所示，点 w* 是训练损失函数的极小值点。损失函数的一

斯坦福研究人员打造出一种新的有机人工突触，更好地支持计算机再现人类大脑信息处理方式。该研究还能改善脑机技术。现在，斯坦福大学和桑迪亚国家实验室的研究人员取得了重要进展，该研究可以帮助计算机模拟某块大脑高效设计，亦即人工突触。或许有一天，这款突触能够成为一台

马赛克有时候是人类实现幸福生活的一大妨碍，谷歌也一直在致力于用技术提升人类的幸福程度。之前机器之心就曾报道过谷歌曾经提出一种提升图像分辨率的技术，参见《消灭所有马赛克，谷歌宣布机器学习图像锐化工具 RAISR》。近日，Google Brain 又在 arX