神经网络就像“炼丹炉”一样，投喂大量数据，或许能获得神奇的效果。然而，这种情况下，神经网络其实成了“黑匣子”——具有一定的功能，但看不见是怎么起作用的。如果只做简单的图像分类，其实还好；但如果用在医学方向，对疾病进行预测，那么神经网络下的“判断”就不可轻信

除非你能学习到一些东西，否则不要重复造轮子。我将介绍在Python中创建多层感知器神经网络的基本知识。感知器是神经网络的基本组成部分。感知器的输入函数是权重，偏差和输入数据的线性组合。激活函数是一种确保感知器“发射”或仅在达到一定输入水平后才激活的数学方法

像下山一样，找到损失函数的最低点。毫无疑问，神经网络是目前使用的最流行的机器学习技术。所以我认为了解神经网络如何学习是一件非常有意义的事。这些圆表示这些函数作用的向量。我们将首先计算出损失函数关于神经网络输出层的偏导数，然后通过保持导数的运行乘积将这些导数

且使用“着色图灵测试”评估算法。此算法作者为了训练神经网络，从imageNet数据集上搜集大量的数据，并将所有搜集的图像从图片的RGB空间转换为Lab空间。

加载lesson 1中的数据集将Data降维成一维，将label映射为one-hot encodingdef reformat:. # Map 0 to [1.0, 0.0, 0.0 ...], 1 to [0.0, 1.0, 0.0 ...]. 每次只取

当科学家们发现，图神经网络 能搞定传统CNN处理不了的非欧数据，从前深度学习解不开的许多问题都找到了钥匙。它叫PyTorch Geometric，简称PyG，聚集了26项图网络研究的代码实现。这个库还很快，比起前辈DGL图网络库，PyG最高可以达到它的15

本文基于以前的 RNN 模型研究，提出了一种有序神经元，该神经元能够强制执行隐藏状态神经元之间更新频率的顺序，并且将潜在树结构整合到循环模型中。此外，本文提出的一种新 RNN 单元在语言建模、无监督成分句法分析、有针对性的语法评估及逻辑推理四个任务上都

你想开始做图像分类，但是无从着手。应该使用哪个预训练网络?如何修改网络以使其满足需求?你的网络应该包含 20 层还是 100 层?哪些是最快的、最准确的?这些是你为图像分类选择最好的 CNN 时会遇到的众多问题。我们会研究很多不同的分类 CNN，并探索它

你肯定经历过这样的时刻，看着电脑屏幕抓着头，困惑着：「为什么我会在代码中使用这三个术语，它们有什么区别吗?」因为它们看起来实在太相似了。为了理解这些术语有什么不同，你需要了解一些关于机器学习的术语，比如梯度下降，以帮助你理解。这里简单总结梯度下降的含义…这

PyTorch 是 Facebook AI Research 和其它几个实验室的开发人员的成果，该框架结合了 Torch7 高效灵活的 GPU