image 前置參考讀物： 《機器學習，看完就明白了》傳送門 獲取資料來源 訓練資料直接使用開源的手寫資料集MNIST。 MNIST資料集是一個開

本文介紹了由密歇根州立大學開發的移動端深度學習框架 NestDNN。該框架應用了研究者提出的多容量模型生成方法，可以動態地在多模型並行推斷過程中，通過準確率-資源權衡選擇合適容量的模型；NestDNN 可以最大

10月16日，2018年 AIIA人工智慧開發者大會在蘇州舉辦。會議邀請了國內外人工智慧產業知名人物、國家政府主管部門、行業內頂尖企業、知名學者代表、開源社群優秀貢獻團隊及個人，共同交流了技術現狀趨勢、生態建設

混著混著一年了，終於從一個渣碩混成了一個，呃，老渣碩了（淚）。半年前給大家分享了一些半監督深度學習的心得，看到有人覺得有用真的很開心。遂今天再寫篇文章感謝同學們（發不出論文，也只能在知乎上發文章爽一波了...o

去年寫過一篇 WGAN-GP 的入門讀物 互懟的藝術：從零直達WGAN-GP ，提到通過梯度懲罰來為 WGAN 的判別器增加 Lipschitz 約束（下面簡稱“L 約束”）。前幾天遐想時再次想到了 WGAN

概述： 機器人廣泛應用於工業生產的加工和裝配等各個領域。傳統的工業機器人需要通過複雜的標定和預程式設計來完成任務。近年來，自動化水平的發展對機器人在不確定環境下執行復雜任務提出了更高的要求。因而機器人

俗話說得好，人往高處走。 在當前人工智慧火得一塌糊塗的時候，很多程式員的心思也開始活絡起來了。 “要不要轉行做人工智慧？” 想必是很多程式員心中都有過的念頭。 到底該怎麼轉呢？很多人查了資料之後

Kloud Strife在其部落格上盤點了今年最值得關注的有關深度學習的論文，包括架構/模型、生成模型、強化學習、SGD & 優化及理論等各個方面，有些論文名揚四海，有些論文則非常低調。 一如既

無監督學習是當今計算機視覺領域最困難的挑戰之一。這項任務在人工智慧和新興技術中有著巨大的實用價值，因為可以用相對較低的成本收集大量未標註的視訊。 —————— 01 概述 —————— 今天，我

這簡直太容易了，連你的老闆都能做到！ 本文展示瞭如何用 Keras 構建深度學習模型的簡單示例，將其作為一個用 Flask 實現的 REST API，並使用 Docker 和 Kubernete

第三屆HUAWEI CONNECT 2018（華為全聯接大會）2018年10月12日繼續，就像任正非說的，鼓勵科學家，專家與工程師交流，思想碰撞。今天全聯接大會上世界知名計算機專家，唯一華人圖靈獎獲得者、清華

作者丨蘇劍林 單位丨廣州火焰資訊科技有限公司 研究方向丨NLP，神經網路 個人主頁丨kexue.fm 對於 NLP 來說，互資訊是一個非常重要的指標，它衡量了兩

隨著移動網際網路的火速發展，移動電子裝置的普及，手機、平板上網幾乎已經成為人們的生活習慣。基於使用者對移動裝置的依賴，seo行業及使用者的需求，逐漸轉移到手機裝置端上，隨著使用者都使用移動裝置搜尋的習慣，似乎給

Sanyam Bhutani：您好，GAN 之父，感謝您接受此次採訪。 Ian Goodfellow：不客氣！非常感謝您來採訪我，也感謝您撰寫採訪部落格為其他學生提供幫助。 Sanyam B

很多人習慣將人工智慧比作行駛中的汽車，資料是燃料，人才是引擎，算力是底盤，任何一個環節存在缺口，這輛車註定是跑不快的。 算力和資料雖然也是問題的關鍵，但在人工智慧領域的玩家中，大多數巨頭在資料和算力上都還算糧草充