在自动驾驶汽车中使用深度学习可以帮助克服各种挑战，例如了解行人的行为，找到最短的路线以及对人和物体进行准确检测。根据一份报告，2018年约有80%的道路交通事故是由于人为错误造成的。因此，将自动驾驶汽车纳入主流的主要目标之一是消除对人类驾驶员的需求并减少道

核心思想是在风格迁移解开网络中的使用多个重叠的局部判别器，实现人类面部图像之间局部细节风格迁移达到虚拟化妆与卸妆的效果，实现对戏剧性化妆风格的高频细节迁移。已经存在这种类型网络大部分只能对特定区域进行迁移，比如眼睛/嘴纯，无法应用到人脸其它区域，特别是当妆

选自arXiv，作者：Mikel Artetxe，机器之心编译，参与：路雪、李亚洲。谷歌开源了基于 TensorFlow 的轻量级框架 AdaNet，该框架可以使用少量专家干预来自动学习高质量模型。据介绍，AdaNet 在谷歌近期的强化学习和基于进化的 A

在过去的 5 年中，3D 深度学习方法已经从使用三维数据的派生表示转变为直接使用原始数据（点云）。而在方法上也从将二维卷积神经网络应用到三维数据上转变为专门为三维场景设计的方法，这大大提高了物体分类和语义分割等任务的性能。这些结果非常有前景，它们证明了通过

深度学习在医疗图像疾病检测方向上的发展很快，但目前仍面临着易出现假阳性的问题。近日，百度研究人员提出了 NCRF方法，在提升肿瘤图像准确率的同时也减少了假阳性的出现几率。该研究的论文已被即将在 7 月举行的深度学习医疗图像大会 MIDL 2018 接收。目

近日，DeepMind 发表博客介绍其对神经网络可解释性的最新研究成果。受神经科学启发，他们通过删除神经元来探索其对网络性能的影响。研究发现，和过去的经验直觉相反，选择性神经元对于网络的泛化能力并不重要。而某些行为难以理解的非选择性神经元却是不可或缺的。此

当你阅读了深度学习相关的书籍或者上过精彩的在线课程后，你将如何深入学习？如何才能够“自力更生”，独立地去了解相关领域中最新的研究进展？本文作者Nityesh Agarwal，毕业于贾达普大学，在学校里学习过信息技术，现在作为志愿者为开源社区做贡献。曾经有人

卷积神经网络是当今学习的一个有用课题，从图像识别，视频分析到自然语言处理，它们的应用无处不在。什么是卷积神经网络卷积神经网络是一类深度前馈人工神经网络，最常用于分析视觉图像。它们在图像和视频识别，推荐系统和自然语言处理方面具有应用。

为了让人们能获得更好的医疗，斯坦福大学的研究者已经成功训练了一个可以诊断皮肤癌的算法。该研究的相关论文《Dermatologist-level classification of skin cancer with deep neural networks》

等待吴恩达放出深度学习第5课的时候，你还能做什么？今天，大数据文摘给大家带来了加拿大银行首席分析师Ryan Shrott的吴恩达深度学习第4课学习笔记，一共11个要点。在等待第5门课推出的同时，赶紧学起来吧！在这个“云养蛙”的佛系游戏里，只有两种状态：蛙儿

不过在火起来之前，这个技术已经发展了十几年。人尽皆知前，深度学习是如何一步一步自我演化并走进公众视野的？本文就将带你回顾深度学习近些年来的里程碑式成果，就算看不懂技术细节，也可以一睹深度学习的前世今生。这篇文章被称为深度学习的开山之作。AlexNet使用R

深度学习正在为AI业界带来震荡。微软的Eric Horvitz与Facebook的Yann LeCun解释了为何这种机器学习会如此激动人心。如今的人工智能热潮会最终冷却为另一个AI寒冬吗？该领域的两位杰出专家——Eric Horvitz与Yann LeCu

随着深度神经网络在图像处理领域取得的巨大进步，我们是否可以利用它改进图形，同时减少创建它们所需的工作量？为了弄清近期深度学习是否可以帮助我们解决这个问题，我们可以利用deepfakes算法改进FIFA玩家的面孔。模型架构与培训深度算法涉及训练称为自动编码器

就是在搜索框中输入搜索商品词，然后系统综合用户的属性，商品属性和搜索词的属性进行综合的判断，并给出最终的推荐结果。在实际的操作中，由于淘宝中涉及的商品是亿万量级的，因此这个过程使分阶段进行的：。上面的都是一般的场景，但是遇到特殊日期，比方说：“双十一”，那

我们在日常消费的决策中，比如选择去哪家餐厅吃饭、是否购买某一件商品时，除了自身的感觉之外，我们常常会参考别人，尤其是已经消费过、体验过的人是什么评价。现在的电商平台上某件商品的评论数动辄就上千甚至上万，人工逐条看精力有限，在短暂的决策时间窗口中，最多只能抽

近期深度强化学习取得了很多成功，但也存在局限性：缺乏稳定性、可复现性差。来自 MIT 和 Two Sigma 的研究者重新检验了深度强化学习方法的概念基础，即目前深度强化学习的实践多大程度上反映了其概念基础框架的原则?该研究重点探讨深度策略梯度方法。深度