要解释这三者之间的关系和应用，最简单的方法就是画一个同心圆，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，也是当今人工智能大爆炸的核心驱动。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界

而且不可否认NLP的很多知识肯定是跟CV相通的，类似于两个领域的机器学习底层是共享的，上层的application有所区别，这时关注的重点应该在CV的主流方法和主流工具框架上，把它嵌入到你的知识底座上面去。

最后只放入两张图片，发现模型拟合的仍然不够好。想到了应该处在最原始的图片标签与损失函数上，检查了图片标签发现都能对应上，最后看损失函数发现softmax_cross_entropy_with_logits损失函数算40维向量之间的损失的实际意义是计算40个

为Session类增加自动分批训练模型的功能, 使框架更好用。新增缓解过拟合的算法: L2正则化, 随机丢弃。增加Dataset类负责管理数据集, 自动对数据分批。在Session类中增加fit方法, 从Dataset得到数据, 使用事件机制告诉外界训练情

仿照数据集读取文件flowers.py增加了自己的文件normal.py；然后使用项目的教程，一步步的进行fine-tuning，直到准确率到了百分之九十以上，停止训练。但是这个时候在导出模型的时候遇到了坑。Saves out a GraphDef con

许多初学者觉得深度学习框架抽象，虽然调用了几个函数/方法，计算了几个数学难题，但始终不能理解这些框架的全貌。为了更好地认识深度学习框架，也为了给一些想要自己亲手搭建深度学习框架的朋友提供一些基础性的指导，日前来自苏黎世联邦理工学院计算机科学系的硕士研究生G

深度学习相关技术近年来在工程界可谓是风生水起，在自然语言处理、图像和视频识别等领域得到极其广泛的应用，并且在效果上更是碾压传统的机器学习。一方面相对传统的机器学习，深度学习使用更多的数据可以进行更好的扩展，并且具有非常优异的自动提取抽象特征的能力。在竞赛的

深度学习在一些传统方法难以处理的领域有了很大的进展。这种成功是由于改变了传统机器学习的几个出发点，使其在应用于非结构化数据时性能很好。如今深度学习模型可以玩游戏，检测癌症，和人类交谈，自动驾驶。我们最新的研究报告深入探讨了多任务学习，一种允许机器学习模型同

尽管Tensorflow也在不断推进Estimator API。在Tensorflow官方的API方外，我们还有强大的工具，比如TFLearn和Keras。这节我们就做一个武器库的展示，看看专门为Tensorflow做的高层框架TFLearn和跨Tenso

1 背景得益于GPU强大的计算能力，深度学习近年来在图像处理、语音识别、自然语言处理等领域取得了重大突破，GPU服务器几乎成了深度学习加速的标配。涉及NVCaffe、MXNet主流深度学习框架，测试了多个经典CNN网络在图像分类领域的训练和推理以及RNN网

十多个小时前，深度学习大神Yann LeCun语出惊人，他宣布放弃“深度学习”这个词。因为媒体对这个词的炒作言过其实，混淆了大家真正的工作，而“可微分编程”才是对此更好的描述：。LeCun说他回头会给出一个更详细的说法。一向敢怒敢言的LeCun终于说出了广

本文约4032字，建议阅读10分钟。一位法国学员为你分享他从fast.ai学来的十大技艺，助你短期内快速掌握并能构建最先进的DL算法。都上过Fast.ai的课程。这些免费、重实战的课程非常鼓励学生去参加Kaggle竞赛，检验自己的能力。当然，也向学生们传授

虽然仅仅举办过六届，ICLR已经是深度学习领域的顶级会议，得到了业界的广泛认可。第六届ICLR于2018.4.30~2018.5.03在温哥华会展中心召开，笔者署名的一篇文章有幸被workshop接收且受邀参会，下面聊一聊个人在ICLR2018上的见闻。I

本文带大家三步了解深度学习在商业中的应用方法。深度学习是大家谈论的热门话题，利用深度学习不仅解决了很多现实难题，还让很多新的创新成为可能。深度学习融入商业的第一步是获取极其重要的数据。深度学习发挥作用，能够很好解决有价值的问题，主要归功于数据。最好的深度学

本文为你讲解如何使用Tensorflow进行机器学习和深度学习。深度学习算法的成功使人工智能的研究和应用取得了突破性进展，并极大地改变了我们的生活。Google推出的TensorFlow是目前最为流行的开源深度学习框架，在图形分类、音频处理、推荐系统和自然

本文是对明星数据科学家Jeremy Howard的专访内容：对他最新推出的深度学习课程的介绍；他对Kaggle获得成功的看法；他所创立的Enlitic对于医学诊断的改革；以及他对于数据科学家们应如何在公司创造价值的观点。他天资超群，于澳大利亚求学期间曾多次

TF的实现分为了单机实现和分布式实现，在分布式实现中，需要实现的是对client，master，worker process不在同一台机器上时的支持。数据量很大的情况下，单机跑深度学习程序，过于耗时，所以需要TensorFlow分布式并行。该实例是TF的经