指的是一个类继承另外的一个类的功能，并可以增加它自己的新功能的能力，继承是类与类或者接口与接口之间最常见的关系；在Java中此类关系通过关键字extends明确标识，在设计时一般没有争议性；但总的来说，后几种关系所表现的强弱程度依次为：组合>聚合&g

我发现大多数的机器学习相关的书都是遍历各种算法和案例，为大家讲解各种各样算法的原理和用途，但却对调参探究甚少。这中间有许多原因，其一是因为，调参的方式总是根据数据的状况而定，所以没有办法一概而论；其二是因为，其实大家也都没有特别好的办法。

对神经网络而言，使用同一架构的网络，从不同初始值开始优化，最终的泛化效果可以完全不同。在传统的机器学习中，对优化算法和泛化性能的研究是分开的，但对深度学习这样的非凸问题而言，两者是密不可分的。本文试图对这个问题做出统一的解释。神经网络有很多异于传统机器学习

继承指的是一个类继承另外的一个类的功能，并可以增加它自己的新功能的能力，继承是类与类或者接口与接口之间最常见的关系；在Java中此类关系通过关键字extends明确标识，在设计时一般没有争议性；

本文共2360字，建议阅读5分钟。本文与大家讨论深度学习泛化理论中的一些经验并试图对它做出解释。我们可以从最新的关于深度学习“炼金术”的悖论研究中了解一二。深度学习目前正被用于方方面面。最近，神经信息处理系统大会的时间测试奖得主将深度学习比作“炼金术”。S

当前的分类模型泛化到新数据时总会有不同程度的准确率下降，传统观点认为这种下降与模型的适应性相关。但本文通过实验证明，准确率下降的原因是模型无法泛化到比原始测试集中更难分类的图像上。机器学习的首要目标是生成泛化模型。我们常通过测量模型在测试集上的性能来量化模

深度神经网络在很多任务上都已取得了媲美乃至超越人类的表现，但其泛化能力仍远不及人类。德国蒂宾根大学等多所机构近期的一篇论文对人类和 DNN 的目标识别稳健性进行了行为比较，并得到了一些有趣的见解。选自arXiv，机器之心编译，参与：吴攀。其次，我们的研究表

本论文从信息论的角度简要概述了深度学习，试图解决这两个问题： 深度神经网络为什么比浅层网络的泛化能力好？ 是否在所有场景下，更深层的神经网络的效果都更好？具体而言，令 L 表示某一深度神经网络中的卷积层和池化层层数，n 表示训练样本量，我们可推导出此网络的

近日，人工智能初创公司 Vicarious 在官网了发表了一篇名为《General Game Playing with Schema Networks》的文章，提出了一种可以进行游戏泛化的新型网络：图式网络。该网络可通过训练学习环境动态，进而泛化到多种游戏