3 小时前 / ???Edison_Guo
深度学习！是一门科学还是一门技术 量化解释Explanations → Trustiness & diagnosis 怎么样使人类开始相信计算机呢？ 案例1 计算机：我们必须对你的头做手术 人类：我为什么要相信你，让你砍掉我的头 计算机：这是因为： 1)过滤器检测到了器官A的病变； 2)过滤器检测到了器官B的病变。 案例2 有一场意外发生了 人类：告诉我交通事故前道路规划的原因？ 计算机：因为： 1)过滤器1检测到一棵树； 2)过滤器2检测到人； 3)过滤器3检测到道路； 4)过滤器4检测到另一条道路… 人类：我发现过滤器4将河流视为一条道路 在CNN中......
2 天前 / 极市小助手
此外，本文允许转载，注明作者，出处即可！ 前阵子学习GAN的过程发现现在的GAN综述文章大都是2016年Ian Goodfellow或者自动化所王飞跃老师那篇。可是在深度学习，GAN领域，其进展都是以月来计算的，感觉那两篇综述有些老了。最近发现有一篇最新的有关GAN综述的paper[1]，四十余页，介绍了GAN的各个方面，于是就学习并整理笔记如下。文中许多内容大都根据自己所学总结，有不当之处欢迎指出。此外，本文参考了许多博客资料，已给出参考链接。如有侵权，请私信删除。文章目录如下：
2 天前 / hyper0x
文章作者：杨镒铭 滴滴出行 高级算法工程师 内容来源：记录广告、推荐等方面的模型积累@知乎专栏 出品社区：DataFun 注：欢迎后台留言投稿「行知」专栏文章。 今年KDD上Airbnb发表的关于embedding的论文拿到best paper，技术实力可见一斑。今天要说的这篇要更新一些，是Airbnb将深度学习应用在搜索业务中的经验汇总，[1810.09591] Applying Deep Learning To Airbnb Search地址：https://arxiv.org/abs/1810.09591。文章干货满满，值得细读一番。 具体涉及的业务是根据用户预订的可能性对列表进行排序，也是Airbnb中的核心业务。在深度模......
6 天前 / 云水木石
在这篇文章中，我们将讨论一种新的网络模型GoogleNet，它和我前面所讨论的模型有所不同，表现在： 移除了全连接层，而采用全局平均池化层(global average pooling)代替，大量减少参数数量，所以相对于AlexNet和VGGNe这种巨型模型，其需要训练的参数少得多，可以节约大量内存。 采用了微架构，而到目前为止，我们接触到的模型都是序列(sequential)模型。所谓序列，就是前一层的输出直接输出到下一层。但GoogleNet却采用了微架构，来自一个层的输出可以分成多个不同的路径并且稍后重新连接到一起。 GoogLeNet模型于2014年的一篇论文《Going Deeper......
7 天前 / mr7
新智元报道 编辑：小芹、张乾 【新智元导读】AI领域专家Filip Piekniewski时隔一年再发雄文，坚持认为AI寒冬将至，在硅谷40多年的计算机革命浪潮中，AI和区块链一样，都是死路一条。 AI寒冬论再起。 去年5月，计算机视觉和AI领域专家Filip Piekniewski一篇雄文AI Winter is Well on its Way（见新智元文章），第一次引发了学术、产业对这波“AI寒冬”的讨论。 点击图片阅读文章 时隔近一年之后，Filip Piekniewski昨天再次撰文，坚称AI寒冬将至，并且认为区块链、AI都是这场计算机革命的两朵昙花，最终这两个赌......
7 天前 / 机器视觉与算法建模
作者丨苏剑林 单位丨广州火焰信息科技有限公司 研究方向丨NLP，神经网络 个人主页丨kexue.fm 前言 2017 年中，有两篇类似同时也是笔者非常欣赏的论文，分别是 FaceBook 的 Convolutional Sequence to Sequence Learning 和 Google 的 Attention is All You Need，它们都算是 Seq2Seq 上的创新，本质上来说，都是抛弃了 RNN 结构来做 Seq2Seq 任务。 在本篇文章中，笔者将对 Attention is All You Need 做一点简单的分析。当然，这两篇论文本身就比较火，因此网上已经有很多解读了（不过很多解读都是直接翻译论文的，鲜有自己的理解......
8 天前 / hyper0x
说明：本文欢迎转载，请注明作者、出处与原文链接。 前几天刚过完ACL 2019投稿季，给不少同学的论文提供了修改建议。其中很多论文，特别是初学者的论文的问题都很相似。一想到未来还要给更多新同学重复这些话，决定索性把这些建议总结出来，不仅以后能少费一番唇舌，说不定还能帮助更多同学。于是就有了这篇短文。 本文题目取“合格”的论文，而不是优美的论文，或精彩的论文。一个原因是，我自知英文水平特别是词汇有限，从未写过自认精彩或优美的论文，并无资格提供这方面的建议。另一个原因是，下面会讲到，学术论文的关键目标并非辞藻优美而......
9 天前 / 云水木石
Tensorflow团队早早就放出了风声，Tensorflow 2.0就快来了，这是一个重要的里程碑版本，重点放在简单和易用性上。我对Tensorflow 2.0的到来充满期待，因此翻译了这篇Tensorflow团队发布的文档：Effective TensorFlow 2.0: Best Practices and What’s Changed。原文地址：https://medium.com/tensorflow/effective-tensorflow-2-0-best-practices-and-whats-changed-a0ca48767aff ，略有删减。点击阅读原文可以跳转到该文章，需要翻墙哦！ 在最近的一篇文章中，我们提到，TensorFlow 2.0经过重新设计，重点关注开发人员的工作效率、简单性和易用性......
10 天前 / mr7
导语：最近几年来，深度学习在推荐系统领域中取得了不少成果，相比传统的推荐方法，深度学习有着自己独到的优势。我们团队在QQ看点的图文推荐中也尝试了一些深度学习方法，积累了一些经验。本文主要介绍了一种用于推荐系统召回模块的深度学习方法，其出处是Google在2016年发表于RecSys的一篇用于YouTube视频推荐的论文。我们在该论文的基础上做了一些修改，并做了线上AB测试，与传统的协同召回做对比，点击率等指标提升明显。 为了系统的完整性，在介绍主模型前，本文先对传统推荐算法和召回算法做一些简单的介绍和总结，并指出深度......
11 天前 / 虞大胆
人类简史说，人类的进步大大依靠与人的语言，人在灵长类中具有最高级的语言能力，并且能够编故事，从而把越来越多的人组织在一起产生了文明，这才是人类社会进化的根本。那么，神经网络能否掌握人类的语言，听懂人类的故事呢？ 相信朋友们都知道谷歌翻译，谷歌助手，机器写诗， 它们实现了令人惊艳的性能，并在某些具体任务里让人真假难辨。这里的技术核心，就是RNN。-我们常说的传说中的循环神经网络。RNN可以称得上是深度学习未来最有前景的工具之一。它在时间序列（比如语言文字，股票价格）的处理和预测上具有神功。 时间序列和RNN引入......
11 天前 / 云水木石
前两天，Google在TensorFlow开发者峰会上发布了TensorFlow 2.0 alpha版，TensorFlow官网也全新改版上线。其实早在去年上半年，Google就放出口风，准备发布TensorFlow 2.0，一个重要的里程碑版本。然而直到今天，2.0仍然处于alpha版，这在快速迭代的人工智能领域，着实少见。随着alpha的发布，这几天网上关于TensorFlow的新闻和文章铺天盖地，我也看了一下文章，不过作为一名实战派，还是决定先上手尝鲜一下。 毕竟TensorFlow 2.0还是alpha版，不想破坏掉现有的TensorFlow的环境，所以决定先创建一个虚拟环境，在虚拟环境中进行尝鲜。借助于anaco......
11 天前 / hyper0x
XGBoost在Kaggle比赛大放异彩，在之前的文章已介绍XGBoost算法原理和XGBoost切分算法，网上对XGBoost参数的解释大部分只停留在表面，对刚入门机器学习算法的人极其不友好，本文在解释某些重要参数的同时会参考数学公式以增加对XGBoost算法原理的理解，并通过分类实例阐述XGBoost调参思想 。 本文的框架和实例来自于https://www.analyticsvidhya.com/blog/2016/03/complete-guide-parameter-tuning-xgboost-with-codes-python/的翻译，并根据自己的理解对内容和代码进行了修改，本文实例只处理训练数据，并以五折交叉验证率作为衡量模型性能的......
13 天前 / php-v
节选自《深度学习TensorFlow.js：浏览器实战篇》第八章，已获授权。 在前面的章节，我们讨论了各种JavaScript概念和运行在浏览器上的各种深度学习框架。在本章中，我们将所有的知识付诸于实践，证明该技术的潜力。 注意，本书所有源代码放在https://github.com/backstopmedia/deep-learning-browser。你也能在https://reii-nakano.github.io/tfjs-rock-paper-scissors/访问Rock Paper Scissors游戏示例。也能在https://reiinakano.github.io/tfjs-lstm-text-generation/访问文本生成模型的示例。 本章的每个小节都代表一个完整的TensorFlow.js应......
15 天前 / ???Edison_Guo
深度学习的发展历程 发现不一样的美 机器学习是人工智能领域的一个重要学科。自从20世纪80年代以来，机器学习在算法、理论和应用等方面都获得巨大成功。2006年以来， 机器学习领域中一个叫“ 深度学习” 的课题开始受到学术界广泛关注，到今天已经成为互联网大数据和人工智能的一个热潮。 深度学习通过建立类似人脑的分层模型结构,对输入数据逐级提取从底层到高层的特征， 从而能很好地建立从底层信号到高层语义的映射关系。近年来，谷歌、微软、IBM、百度等拥有大数据的高科技公司相继投入大量资源进行深度学习技术研发， 在语音、图像、自然......