深度学习

我试着定期阅读ML和AI的论文，这是保持不掉队的唯一的方法。作为一个计算机科学家，我常常会在看科学性的文字描述或者是数据公式的时候遇到麻烦。我发现通过代码来理解会好很多。所以，在这篇文章中，我会通过Keras实现的方式，带领大家回顾一下最近的一些文章中的重要的卷积块。

如果你听说过转置卷积并对它的实际含义感到困惑，这篇文章就是为你写的。

计算机视觉是人工智能的一个重要领域，是关于计算机和软件系统的科学，可以对图像和场景进行识别、理解。计算机视觉还包括图像识别、目标检测、图像生成、图像超分辨率重建等多个领域。由于存在大量的实际需求，目标检测可能是计算机视觉中最有意义的领域。

Word2Vec模型用于学习被称为“词嵌入”的词的向量表示。这通常是作为预处理步骤来完成的，在此之后，学习到的向量被输入判别模型(通常是RNN)来生成预测，完成各种各样有趣的事情。

要处理14维空间中的超平面，想象一个三维空间，大声对自己说“14”。每个人都这么做。

TensorFlow在深度学习框架中，占据第一的位置已经很久了，而且在可见的未来，也将一直占据第一的位置。

深度学习已经成为解决许多具有挑战性的现实问题的首选方法

深度学习在视觉领域取得了巨大的成功，即便如此，深度学习在视觉上仍然有很多的局限性，这篇文章从深度学习的历史开始说起，阐述了深度学习在视觉上的局限性，并给出了一些可能的方案。

来自github的非常有针对性的深度学习资源，和其他的资源不同，既照顾了通用性，又照顾了不同的领域，覆盖非常广，非常的全面，有论文，有代码，有书，有博客，还有课程。

我们描述了最近提出的随机加权平均(SWA)技术，以及它在 torchcontrib中的新实现。

自从大家知道我是做人工智能的以后，亲戚朋友经常会有人问我，什么是AI，什么是机器学习，什么是深度学习。

最近，在谷歌东京事务所的发布会上，就有这么一个神器亮相，它能帮助你快速识别“古草体”文字，阅读“古草体”书籍也完全不在话下！

生成对抗网络的一篇实践文章，使用PyTorch，用很简单的代码搭建了一个GANs，非常通俗易懂。

回到2012年，当神经网络重新流行起来时，人们对不用担心特征工程就可以训练模型的可能性感到兴奋。事实上，最早的突破大多出现在计算机视觉领域，在这一领域，原始像素被用作网络的输入。

大数据日报（20190925）：谷歌发布一个可视化Deepfake数据集，宾夕法尼亚州立大学推新AI工具。