ITPub博客

之前我们讲了神经网络的起源、单层神经网络、多层神经网络的搭建过程、搭建时要注意到的具体问题、以及解决这些问题的具体方法。本文将通过一个经典的案例：MNIST手写数字识别，以代码的形式来为大家梳理一遍神经网络的整个过程。

史上最强“通用”NLP模型来袭：近日OpenAI在官博介绍了他们训练的一个大规模无监督NLP模型，可以生成连贯的文本段落，刷新了7大数据集基准，并且能在未经预训练的情况下，完成阅读理解、问答、机器翻译等多项不同的语言建模任务。

今天我们不说计算机视觉基础知识，接下来说说AAAI2019一篇比较新颖的Paper，其是中科院自动化所和京东AI研究院联合的结果，在Wider Face数据集中达到了较高的水准，比arxiv2019_VIM-FD的更好一些。今天要说的就是“Improved SRN”，现在开始一起学习吧！

目前，机器学习中的K近邻(KNN)分类算法和支持向量机(SVM)算法被认为是处理文本分类的最好方法。但KNN分类算法有以下的缺陷：KNN是基于近邻度量的一种模式分类算法，它高度依赖于数据间的相似度度量，简单的欧式距离在实际应用时，由于不考虑不同维度之间对分类的影响以及输入数据数据维数高的问题，往往不能取得良好的分类效果。

总结了10个不同领域的 Python 数据可视化库，有常用的，也有比较小众的。matplotlib是Python数据可视化库的OG。尽管它已有十多年的历史，但仍然是Python社区中使用最广泛的绘图库。它的设计与MATLAB非常相似，MATLAB是20世纪80年代开发的专有编程语言。

本文作者有一群 geek 朋友，经常一起讨论技术话题，有时候也会谈到编程语言。「I hate Python」，作者表示。他对 Python 厌恶至极。即使有现成的 Python 代码可用，他也宁愿用 C 语言重写。为了系统地吐槽 Python，作者专门写了这篇博客，细数 Python 的「八宗罪」

在这个教程中，我们将学习如何用 DataParallel 来使用多 GPU。通过 PyTorch 使用多个 GPU 非常简单。你可以将模型放在一个 GPU：然后，你可以复制所有的张量到 GPU：请注意，只是调用 my_tensor.to(device) 返回一个 my_tensor 新的复制在GPU上，而不是重写 my_tensor。你需要分配给他一个新的张量并且在 GPU 上使用这个张量。

Jupyter Notebook是一个交互式的、便于创建的、支持实时编程和共享文档的编程环境。本文将带大家学习几个Jupyter Notebook的扩展功能，以便大家更方便的使用这个宝贵的工具。也欢迎大家点击上方蓝字关注我们的公众号：磐创AI，获取更多的机器学习、深度学习资源。

通常来说，当你处理图像，文本，语音或者视频数据时，你可以使用标准python包将数据加载成numpy数组格式，然后将这个数组转换成torch.*Tensor

在这篇文章中，我们将在Python中从头开始了解用于构建具有各种层神经网络（完全连接，卷积等）的小型库中的机器学习和代码。最终，我们将能够写出如下内容：

Pytorch是一个基于Python的科学计算软件包，有以下两种定位：可以使用多GPU加速的NumPy替代品,提供最大限度灵活性与速度的深度学习研究平台

近日，微软语音与对话研究团队在斯坦福机器对话式问答数据挑战赛CoQA Challenge中夺冠，并且单模型和集成模型分别位列第二和第一，让机器阅读理解向着人类水平又靠近了一步。

强化学习（RL）是一种机器学习方法，是智能体（agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏。深度强化学习是指强化学习与深度学习的结合。

大约三年前，我作为商业智能分析师在Excel电子表格中执行大部分分析工作。我长期以来一直对学习编码感兴趣，之前曾经工作了几年，用PHP和HTML构建网站。随着时间的推移，我对数据科学产生了浓厚的兴趣，并决定研究一些在线课程，学习该领域的一些技能。

今年 5 月，美图公司联合中国模式识别与计算机视觉学术会议（PRCV2018）共同举办的 PRCV2018「美图短视频实时分类挑战赛」正式开赛。来自中科院自动化所、中科院自动化所南京人工智能芯片创研院的史磊、程科在张一帆副研究员的指导下获得了 PRCV2018「美图短视频实时分类挑战赛」冠军。不同于以往只关注分类精度的比赛，本竞赛综合考察「算法准确率」和「实时分类」两个方面，将运行时间作为重要指标参与评估，将促进视频分类算法在工业界的应用。

目前循环神经网络已经被应用在了很多领域，诸如语音识别（ASR）、语音合成（TTS）、聊天机器人、机器翻译等，近两年在自然语言处理的分词、词性标注等工作的研究中，也不乏循环神经网络的身影。在本节中，我们将介绍几个较为典型的循环神经网络的应用，以此来了解循环神经网络是如何与我们实际的应用场景所结合。

本文作者是牛客网知名大佬 CyC2018，在他的 GitHub 有一个高达 40K Star 的技术仓库（在所有仓库中排名前五十），可以说在开源项目方面是一骑绝尘的牛人。今天我们分享一下他的求职经历。（最终 Offer：百度、阿里、腾讯、头条、网易游戏、华为）

门控循环神经网络在简单循环神经网络的基础上对网络的结构做了调整，加入了门控机制，用来控制神经网络中信息的传递。门控机制可以用来控制记忆单元中的信息有多少需要保留，有多少需要丢弃，新的状态信息又有多少需要保存到记忆单元中等。这使得门控循环神经网络可以学习跨度相对较长的依赖关系，而不会出现梯度消失和梯度爆炸的问题。

AI行业最新动态，机器学习干货文章，深度学习原创博客，深度学习实战项目，Tensorflow中文原创教程，国外最新论文翻译。欢迎喜欢AI、关注深度学习的小伙伴加入我们。

在前面的内容里，我们已经学习了循环神经网络的基本结构和运算过程，这一小节里，我们将用TensorFlow实现简单的RNN，并且用来解决时序数据的预测问题，看一看RNN究竟能达到什么样的效果，具体又是如何实现的。