发简信
IP属地：辽宁
-
-
译 理解RNN和LSTM网络
循环神经网络(RNN) 人们的每次思考并不都是从零开始的。比如说你在阅读这篇文章时，你基于对前面的文字的理解来理解你目前阅读到的文字，而不是每读到一个文字时，都抛弃掉前面的思...
-
[NL系列] RNN & LSTM 网络结构及应用这篇是 The Unreasonable Effectiveness of Recurrent Neural Networks（by Andrej Karpathy，Stan...
-
[干货]深入浅出LSTM及其Python代码实现人工神经网络在近年来大放异彩，在图像识别、语音识别、自然语言处理与大数据分析领域取得了巨大的成功，而长短期记忆网络LSTM作为一种特殊的神经网络模型，它又有哪些特点呢？作为初...
-
入门必看：轻松了解LSTM全貌
作者 |Edwin Chen 编译 | AI100 第一次接触长短期记忆神经网络（LSTM）时，我惊呆了。 原来，LSTM是神经网络的扩展，非常简单。深度学习在过去的几年里取...
-
小雨谈新手自学NLP的次第
经常有人向我问起：“我是一个刚接触NLP的人，我该如何学习NLP？”等类似的问题，也就成了这篇文章的缘起。学习NLP，最快的方式当然是上课了，系统的学习为：NLP专业执行师―...
-
NLP是什么？NLP对我们有什么用处呢？
1、NLP是什么？ 答：NLP是目前世界上最实用有效的一门心理行为科学。NLP全名是Neuro Linguistic Programming，中文译为「神经语言程序学」。有人...
-
论文解读：Bert原理深入浅出论文解读：Bert原理深入浅出 Bert 自 Google 于 2018 年发表至今，一直给人们带来惊喜，期间也陆陆续续因为Bert出现的原因多了不少新的岗位，甚至公司 JD...
-
贝叶斯推断：Metropolis-Hastings 采样
前面一篇文章贝叶斯统计：初学指南介绍了最简单的 Metropolis 采样方法，本文将介绍另一种采样 Metropolis-Hastings ，并且会对前文介绍的例子给出证明...
-
马尔科夫链蒙特卡罗法蒙特卡罗法（Monte Carlo Method）也称为统计模拟方法，是通过概率模型的随机抽样进行近似数值计算的方法。 马尔科夫链蒙特卡罗法（Markov Chain Mon...
-
橙橙系列创始人(CEO)<br>全球AI挑战赛百强选手<br><br>曾实习于腾讯微信事业部、曾任魅族科技有限公司Java开发工程师、现任中国平安AI系统研究员<br><br>CSDN博客专家<br>17k小说网网络作家<br>深度学习500问作译者<br><br>橙橙吉他、橙橙动漫、橙橙情感、橙橙商城(未上线)<br>吉他教学公众号(官方微信公众号：橙橙吉他)<br>影视动漫公众号(官方微信公众号：橙橙动漫)<br><br>CSDN博客：<a href="https://links.jianshu.com/go?to=https%3A%2F%2Fblog.csdn.net%2Flzc4869" target="_blank">https://blog.csdn.net/lzc4869</a><br>新浪微博：<a href="https://links.jianshu.com/go?to=http%3A%2F%2Fweibo.com%2Fsuperzhicheng" target="_blank">http://weibo.com/superzhicheng</a><br>腾讯云社区：<a href="https://links.jianshu.com/go?to=https%3A%2F%2Fcloud.tencent.com%2Fdeveloper%2Fuser%2F1677938" target="_blank">https://cloud.tencent.com/developer/user/1677938</a><br><br>Tips：点击下方的微信图标即可弹出二维码<br>
-
如何使用TensorFlow生成对抗样本如果说卷积神经网络是昔日影帝的话，那么生成对抗已然成为深度学习研究领域中一颗新晋的耀眼新星，它将彻底地改变我们认知世界的方式。对抗学习训练为指导人工智能完成复杂任务提供了一个...
-
TensorFlow深度学习笔记 从线性分类器到深度神经网络转载请注明作者：梦里风林Github工程地址：https://github.com/ahangchen/GDLnotes欢迎star，有问题可以到Issue区讨论官方教程地址...
-
2019-11-04 反向传播 链式法则 局部梯度
发下cs231n关于反向传播的讲解特别好，尤其是代码实现部分。一个复杂的式子的导数可能很复杂，但是利用链式法则就可以将问题分解为一个又一个局部梯度的堆叠(staged) 我们...
-
Adversarial Learning for Semi-supervised Semantic Segmentation目标：利用对抗学习解决半监督语义分割问题 方法：通过融合对抗学习损失和分割交叉熵损失，提升语义分割的精度（详见code）生成模型为任意语义分割模型判别模型基于FCN，输入 为...
