-
编辑 删除
为什么XGBoost在机器学习竞赛中表现如此卓越？
tree boosting（树提升）已经在实践中证明可以有效地用于分类和回归任务的预测挖掘。 之前很多年来，人们所选择的树提升算法一直都是 MART（multiple additive regression tree/多重累加回归树）。但从 2015 年开始，一种新的且总是获胜…
-
编辑 删除
先读懂CapsNet架构然后用TensorFlow实现，这应该是最详细的教程了
本文是机器之心的第三个 GitHub 项目，旨在解释 CapsNet 的网络架构与实现。为了解释 CapsNet，我们将从卷积层与卷积机制开始，从工程实践的角度解释卷积操作的过程与输出，这对进一步理解 Capsule 层的处理十分有利，后面我们将基于对 Capsule 层的理解…
-
编辑 删除
TensorFlow引入了动态图机制Eager Execution
今天，我们为 TensorFlow 引入了「Eager Execution」，它是一个命令式、由运行定义的接口，一旦从 Python 被调用，其操作立即被执行。这使得入门 TensorFlow 变的更简单，也使研发更直观。 Eager Execution 现在处于试用阶段，因此…
-
编辑 删除
综述论文：当前深度神经网络模型压缩和加速方法速览
大型神经网络具有大量的层级与结点，因此考虑如何减少它们所需要的内存与计算量就显得极为重要，特别是对于在线学习和增量学习等实时应用。此外，近来智能可穿戴设备的流行也为研究员提供了在资源（内存、CPU、能耗和带宽等）有限的便携式设备上部署深度学习应用提供了机会。高效的深度学习方法可…
-
编辑 删除
生成对抗网络综述：从架构到训练技巧
原 GAN（Goodfellow et al., 2014）的完整理论推导与 TensorFlow 实现请查看机器之心的 GitHub 项目与文章：GAN 完整理论推导与实现。下面，我们将为各位读者介绍该综述论文。 生成对抗网络（GAN）提供了一种不需要大量标注训练数据就能学习…
-
编辑 删除
修改一个像素，就能让神经网络识别图像出错
在图像识别领域，基于 DNN 的方法突破了传统的图像处理技术，达到了可与人类媲美的结果 [9]。但是，多个研究证明自然图像中的人工扰动可以轻易使 DNN 对图像进行错误分类，研究者提出了生成此类「对抗图像」的高效算法 [1, 2, 3, 4]。生成对抗图像（adversaria…
-
编辑 删除
DeepMind新一代围棋程序AlphaGo Zero再次登上Nature
人工智能研究已经在多个领域取得飞速进展，从语音识别、图像分类到基因组学和药物研发。在很多情况下，这些是利用大量人类专业知识和数据的专家系统。 但是，人类知识成本太高，未必可靠，或者只是很难获取。因此，AI 研究的一个长久目标就是跨国这一步，创建在最有难度的领域中无需人类输入就能…
-
编辑 删除
放弃Python转向Go语言：我们找到了以下9大理由
Go 极其地快。其性能与 Java 或 C++相似。在我们的使用中，Go 一般比 Python 要快 30 倍。以下是 Go 与 Java 之间的基准比较： 对很多应用来说，编程语言只是简单充当了其与数据集之间的胶水。语言本身的性能常常无关轻重。 但是 Stream 是一个 A…
-
编辑 删除
斯坦福博士韩松毕业论文：面向深度学习的高效方法与硬件
未来将出现大量廉价、低功耗的智能设备。深度神经网络已经发展出适合机器学习任务的顶尖技术。但是，这些算法计算量很大，使得它们难以部署到硬件资源有限、能量预算紧张的嵌入式设备中。由于摩尔定律和工艺尺寸缩小正在变慢，仅依赖工艺进步无法解决这个问题。为了解决该问题，我们研究高效的算法和…
-
编辑 删除
自然语言处理领域重要论文&资源全索引
本人从事自然语言处理任务（NLP）的研究已经有很长时间了，有一天我想到，我需要为庞大的 NLP领域做一个概览，我知道自己肯定不是想要一睹 NLP 任务的全貌的第一个人。 我曾竭尽所能的研究过尽可能多种类型的 NLP 任务，但由于个人知识的局限，我承认还远远没有穷尽整个领域。目前…
-
编辑 删除
这是一份你们需要的Windows版深度学习软件安装指南
该配置版本最后更新的日期是今年七月，该更新版本允许本地使用 3 个不同的 GPU 加速后端，并添加对 MKL BLAS 库的支持。 目前有很多帮助我们在 Linux 或 Mac OS 上构建深度学习（DL）环境的指导文章，但很少有文章完整地叙述如何高效地在 Windows 10…
-
编辑 删除
机器之心GitHub项目：GAN完整理论推导与实现，Perfect！
本文主要分四部分，第一部分描述 GAN 的直观概念，第二部分描述概念与优化的形式化表达，第三部分将对 GAN 进行详细的理论推导与分析，最后我们将实现前面的理论分析。 要理解生成对抗模型（GAN），首先要了解生成对抗模型可以拆分为两个模块：一个是判别模型，另一个是生成模型。简单…
-
编辑 删除
从概率论到多分类问题：综述贝叶斯统计分类
从贝叶斯学习入门统计分类，我将会提供将贝叶斯定理和概率论应用于统计分类的若干应用实例。本文还将覆盖基础概率论之外的其他重要知识，比如校准与验证（calibration and validation）。 这篇文章虽然针对初学者，但也需要你具备大学一年级和部分二年级的数学知识，尤其…
-
编辑 删除
论文格式排版你真的做对了吗? 常用格式及其LaTeX书写方法介绍
不论中英文, 科技文章通常均使用英文半角标点。中文文章的行内公式和两边正文之间要有空格。例如: 此外, 推荐使用 XeLaTeX 编译器编译中文文章. XeLaTeX 对中文支持较好, 比如它可以自动在行内公式和两边正文之间加空格, 无需人为指定。 英文文章中括号, 以及引用符…
-
编辑 删除
入门 ：概览深度学习中的卷积结构
首先，我们需要定义卷积层的几个参数。 卷积核大小：卷积核决定卷积的视野。2D 卷积的常见卷积核为 3，即 3x3 像素。 stride：stride 决定卷积核遍历图像时的步子大小。默认值通常为 1，我们可以将 stride 设置成 2，对图像进行类似最大池化的下采样。 Pad…
-
编辑 删除
arXiv的优缺点如此明显，未来是否应该引入评论与同行评议？
日前，在最新的 Google Scholar h5-index 排名中，我们可以看到在计算机视觉领域下，arXiv 以 137 分位列第二，仅次于业内顶会 CVPR。除了计算机视觉领域，在「机器学习」下，arXiv Machine Learning 同样位列第二，略低于 ICM…
-
编辑 删除
如何解读决策树和随机森林的内部工作机制？
决策树可以看成为一个 if-then 规则的集合，即由决策树的根节点到叶节点的每一条路径构建一条规则，路径上内部节点的特征对应着规则的条件，而叶节点的类对应于规则的结论。因此决策树就可以看作由条件 if（内部节点）和满足条件下对应的规则 then（边）组成。 决策树的工作方式是…
-
编辑 删除
揭开深度学习黑箱：希伯来大学计算机科学教授提出「信息瓶颈」
一个称为「信息瓶颈」的新想法有助于解释当今人工智能算法的黑箱问题——以及人类大脑的工作原理。 如今「深度神经网络」已经学会对话、驾驶汽车、打视频游戏、玩围棋、绘画并辅助科研，这使其人类构建者很是困惑，并为深度学习算法的成果深感意外。这些学习系统的设计并没有一条明确的原则，除了来…
-
编辑 删除
深度学习 + OpenCV，Python实现实时视频目标检测
在本文中我们将学习如何扩展原有的目标检测项目，使用深度学习和 OpenCV 将应用范围扩展到实时视频流和视频文件中。这个任务会通过 VideoStream 类来完成。 现在，我们将开始把深度学习+目标检测的代码应用于视频流中，同时测量 FPS 处理速度。 为了构建基于 Open…
-
编辑 删除
被Geoffrey Hinton抛弃，反向传播为何饱受质疑？（附BP推导）
现在的深度学习发展似乎已经陷入了大型化、深度化的怪圈，我们设计的模型容易被对抗样本欺骗，同时又需要大量的训练数据——在无监督学习上我们取得的突破还很少。作为反向传播这一深度学习核心技术的提出者之一，Geoffrey Hinton 很早就意识到反向传播并不是自然界生物大脑中存在的…
