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

我们之前的机器学习专题已经结束了，我们把机器学习领域当中常用的算法、模型以及它们的原理以及实现都过了一遍。虽然还有一些技术，比如马尔科夫、隐马尔科夫、条件随机场等等没有涉及到。但是这些内容相比来说要弱一些，使用频率并不是非常高，我们就不一一叙述了，感兴趣的

人工智能席卷了世界，所谓的“机器学习算法”已经渗透到现代技术各个可能的层面，它已成为义务而不是创新。有些人可能会争论，我们今天使用的机器学习算法是否足够自主到可以称为真正的AI，这个争论过于宽泛，并不是本文的重点。在这篇文章中，我试图探索神经网络与人类思维

GraphSAGE 是 17 年的文章了，但是一直在工业界受到重视，最主要的就是它论文名字中的两个关键词：inductive 和 large graph。今天我们就梳理一下这篇文章的核心思路，和一些容易被忽视的细节。最核心的就是利用图的结构信息，为每个 n

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

还在为图像加载犯愁吗？最新的好消息是，谷歌团队采用了一种GANs与基于神经网络的压缩算法相结合的图像压缩方式HiFiC，在码率高度压缩的情况下，仍能对图像高保真还原。而在与原图进行对比时，HiFiC所展现出来的还原效果仍然非常优秀。目前处于特殊时期，大量国

梯度下降是机器学习中最重要的思想之一：给定一些代价函数以使其最小化，该算法迭代地采取最大下降斜率的步骤，理论上在经过足够的迭代次数后才达到最小值。柯西于1847年首次发现，在1944年针对非线性优化问题在Haskell Curry上得到扩展，梯度下降已用

直到现在，几乎你听说过的每一个关于人工智能的进步，仍基于 30 年前的一篇阐述多层神经网络训练方法的论文演变而来。那就是 Geoffrey Hinton 在 1986 年写下的《Learning representations by back-propag

2.非线性问题的三种解决方法：

由题意输入变量取值范围为e={-2,-1,0,1,2}和ec={-2,-1,0,1,2}，则输入矢量有25种情况，分别如下所示：。选取较好的BP神经网络参数，包括隐含层节点个数、学习速率等。网络采用一个隐含层，假设其神经元节点个数为S1，则网络结构可写为2

人工智能之机器学习主要有三大类:1)分类;2)回归;3)聚类。今天我们重点探讨一下卷积神经网络算法。随后，更多的科研工作者对该网络进行了改进。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以

直观来看一波, 神经网络是咋样的.我们首先好奇的就是, 输入 --> 到输出是如何计算的, 看一波最简单的网络3层结构.Softmat: f -> [0.5, 0.3, 0.2] 将一个向量, "归一化" 的感觉。如何计算隐

正文为了解决神经网络的过拟合问题，我们需要使用L2正则化，除了L2正则化解决过拟合的问题，还可以使用另外一个正则化方法——Dropout，我们下面详细介绍一个这个正则化的原理。这个神经网络存在着过拟合的问题，我们要使用dropout来解决这个过拟合问题，d

在满是「MNIST」这样的小数据里，图神经网络也需要「ImageNet」这样的大基准？近日，斯坦福大学的 Jure Leskovec 教授在 NeurlPS 2019 大会演讲中宣布开源 Open Graph Benchmark，这是迈向图神经网络建模统一

近日，NeurIPS 2019 近日在加拿大温哥华召开。腾讯 AI Lab 共 14 篇论文入选，位居国内企业前列。这也是腾讯 AI Lab 第四次参加 NeurIPS，会议期间，我们选取了一篇来自腾讯 AI Lab 的优秀论文进行解读。在这篇由腾讯 AI

近日，NeurIPS 2019 近日在加拿大温哥华召开。腾讯 AI Lab 共 14 篇论文入选，位居国内企业前列。这也是腾讯 AI Lab 第四次参加 NeurIPS，会议期间，我们选取了一篇来自腾讯 AI Lab 的优秀论文进行解读。在这篇由腾讯 AI

它的灵感来自于诺贝尔奖得主Hubel和Wiesel在1962年出版的《Receptive fields, binocular interaction and functional architecture in the cat’s visual corte

点击star加星不要吝啬，星越多笔者越努力。我们是首次尝试建立神经网络，先用一个最简单的单层单点神经元，如图4-4所示。下面，我们用这个最简单的线性回归的例子，来说明神经网络中最重要的反向传播和梯度下降的概念、过程以及代码实现。严格来说输入层在神经网络中并

首先我们先初始一个神经网络模型，然后我们通过训练集误差来确定我们算法是否处于高偏差问题，如果确实处于高偏差的问题，那么我们此时要做的就是选择一个新的神经网络，比如更多的隐藏层或者隐藏单元的网络，或许你能找到一个更合适解决此问题的新的网络架构，要想找到一个新

　　循环神经网络的主要用途是处理和预测序列数据。循环神经网络最初就是为了刻画一个序列当前的输出与之前信息的关系。也就是说，循环神经网络的隐藏层之间的节点是有连接的，隐藏层的输入不仅包含输入层的输出，还包括上一时刻隐藏层的输出。RNN当前的状态是由上一时刻的