智能多媒体

深度学习原理与实践(开源图书)-总目录优快云专栏: 深度学习原理与实践(开源图书)优快云专栏: 机器学习原理与实践(开源图书)深度学习理论的突破和深度学习硬件加速能力的突破，使AI在模式识别、无人驾驶、智力游戏领域取得空前的成功。学术界和工业界全力以赴掀起人工智能的新一轮热潮。各大互联网巨头纷纷成立人工智能研究中心，唯恐在新一轮人工智能的竞赛被无情淘汰。深度学习应用已遍及人工智能的各...

深度学习-10：人工智能简史及三剑客优快云专栏: 机器学习&深度学习(理论/实践)1 人工智能简史深度学习理论的突破和深度学习硬件加速能力的突破，使AI在模式识别、无人驾驶、智力游戏领域取得空前的成功。学术界和工业界全力以赴掀起人工智能的新一轮热潮。各大互联网巨头纷纷成立人工智能研究中心，唯恐在新一轮人工智能的竞赛被无情淘汰。如今，机器学习的应用已遍及人工智能的各个分支，如专...

深度学习-11:神经元、神经网络、人脑和卷积神网络优快云专栏: 机器学习&深度学习(理论/实践)在生物神经网络中，学习源自于大脑中无数神经元之间的连接。大脑接触到新的刺激后，这些神经元之间的连接改变了配置。这些更改包括出现新的连接，加强现有连接和删除那些没有使用的连接。例如，重复给定任务的次数越多，与这个任务相关的神经连接就越强，最终我们会认为这个任务被学会了。神经元使用记忆和...

深度学习-13:开源深度学习数据集汇总优快云专栏: 机器学习&深度学习(理论/实践)1 机器视觉图形图像数据集1.1 MnistMnist数据集:深度学习领域的“Hello World!”，入门必备！MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28。1.2 ImageNetImageNet数据集:对深度学习...

深度学习-14：知名的深度学习开源架构和项目优快云专栏: 机器学习&深度学习(理论/实践)人工智能artificial intelligence，AI是科技研究中最热门的方向之一。像IBM、谷歌、微软、Facebook 和亚马逊等公司都在研发上投入大量的资金、或者收购那些在机器学习、神经网络、自然语言和图像处理等领域取得了进展的初创公司。考虑到人们对此感兴趣的程度，我们将不会惊讶...

深度学习-20:神经科学、脑科学和稀疏特性优快云专栏: 机器学习&深度学习(理论/实践)第二次世界大战之后，美苏在全维度展开了霸权竞赛，人工智能研究伴随着计算机的发展也开始进入佳境。经过经过半个多世纪的发展，人工智能逐渐形成:符号学派、贝叶斯学派和联结学派三个流派。符号学派:以谓词逻辑表示法理论为基础的符号主义占据了绝对的主流，但是到了上世纪90年代，符号主义具有的先天缺陷开...

深度学习-21:概率论基础优快云专栏: 机器学习&深度学习(理论/实践)本章讨论概率论，在机器学习或人工智能领域中，智能系统往往需要处理不确定性或随机数据。我们需要借助概率论，从不确定性关系中寻找确定性规律，为我们在不确定性存在的情况下进行推理提供了工具集。在人工智能领域，概率论提供了系统方法能够指导AI系统如何推理，也能从理论上辅助我们分析AI系统的行为。在任何几乎都存在或多...

深度学习-22:信息论和信息熵优快云专栏: 机器学习&深度学习(理论/实践)熵的概念最早起源于物理学，用于度量一个热力学系统的无序程度。在信息论里则叫信息量,即熵是对不确定性的度量。从控制论的角度来看，应叫不确定性。信息论的创始人香农在其著作《通信的数学理论》中提出了建立在概率统计模型上的信息度量。他把信息定义为“用来消除不确定性的东西”。在信息世界，熵越高，则能传输越多的信息，...

深度学习-23:矩阵理论(L0/L1/L2范数)优快云专栏: 机器学习&深度学习(理论/实践)线性代数是数学的一个分支，广泛应用于科学和工程领域。线性代数和矩阵理论是机器学习和人工智能的重要数学基础。有短板的请补课，推荐《The Matrix Cookbook》。线性代数主要涉及矩阵理论，本节围绕矩阵理论展开。1 标量、向量和张量标量: 一个标量就是一个单独的数字向量: 一...

深度学习-24:数值计算、梯度下降和最小二乘法优快云专栏: 机器学习&深度学习(理论/实践)机器学习或人工智能中会使用大量的数值计算，使用迭代算法计算估计值来解决既定约束的数学问题，而非使用严格的解析过程推导出公式来解决数据问题。数值上溢和数值下溢通过有限位宽的数字存储器存储无限多的实数，无可避免的导致舍入精度的问题。如果系统反复迭代工作，如何系统没有考虑舍入误差的累积，最终...

深度学习-30: 基础CNN模型和深度学习模型。神经网络是人工智能启蒙，卷积神经网络是人工智能的里程碑，卷积神经网络最终演化出各种使用的基于卷积神经网络的人工智能算法。目前基于卷积神经网络的人工智能算法逐渐和基于其他机器学习的人工智能拉开一个档次。基于卷积神经网络的人工智能算法在图像处理，语音处理，多语种翻译，对话系统，电子商务，大数据，机器人和自动驾驶等领域形成领先优势。

深度学习-31:单层感知机。优快云专栏: 机器学习&深度学习(理论/实践)。单层感知机和多层感知机\(MLP\)是最基础的神经网络结构。将卷积操作创新的加入到神经网络结构形成了卷积神经网络，卷积神经网络给现代人工智能注入了活力。感知机网络和卷积网络\(CNN\)都属于前馈型网络\(FeedForward Network\)。单层感知机是二分类的线性分类模型，输入是被感知数据集的特征向量，输出时数据集的类别{+1,-1}。

深度学习-32:多层感知器原理。多层感知器除了输入输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构。多层感知器(multilayer Perceptron，MLP)是指可以是感知器的人工神经元组成的多个层次。MPL的层次结构是一个有向无环图。通常，每一层都全连接到下一层，某一层上的每个人工神经元的输出成为下一层若干人工神经元的输入。MLP至少有三层人工神经元。

打开深度学习的潘多拉魔盒(模型可视化)。深度学习在各个领域攻城略地，在诸多领域秒杀传统算法，但是其运作细节一直是个黑盒。理论研究者特别是数学家无法完全解释的事物。学术界、研究所和企业界纷纷希望搞出工具箱，希望打开这个潘多拉魔盒，一窥究竟。总体上有两个目标: (1) 量化和图形化其运行机理；(2) 使从业者有更多的Insight,能够更好的知道深度学习实践，并降低深度学习的门槛。社会变化快，天天潘多拉(Pandora)魔盒满天飞，重温一下潘多拉(Pandora)的故事，貌似还是蛮温情的(:>..

深度学习-41: 深度循环神经网络(Recurrent NN, RNN)深度学习原理与实践(开源图书)-总目录在图像分类和目标识别领域，基于前馈神经网络的深度学习模型表现优异，但是在语音识别和自然语音处理领域深度学习模型水土不服，时间序列数据存在时间关联性和整体逻辑特性。深度学习模型无法利用历史数据的时间依赖关系，来分析数据特征，故而无法处理时间序列数据。计算机科学家借鉴大脑处理时序数据的...

深度学习-42:深度递归神经网络(Recursive NN,RNN)深度学习原理与实践(开源图书)-总目录递归神经网络(Recursive NN,RNN)通过带有树状相似的神经网络结构来递归复杂的深度网络。本质上，递归神经网络是对循环神经网络(Recurrent Neural Network)的一个有效扩展，他们具有不同的计算图。递归神经网络(Recursive NN)和循环神经网络(R...

深度学习-43:长短时记忆神经网络(LSTM)深度学习原理与实践(开源图书)-总目录长短时记忆神经网络(Long Short-term Memory Networks,LSTM)是一种 RNN 特殊的类型，可以学习长期依赖信息。LSTM 由 Hochreiter & Schmidhuber (1997) 提出，并在近期被 Alex Graves 进行了改良和推广。STM 通过刻意的...

# 深度学习-52:生成式对抗网络GAN(原理、模型和演进)。GAN模型演化出WGAN、WGAN GP、LS GAN、DRAGAN、BEGAN等GAN模型变体。Goodfellow认为正确使用数据的方式，先对数据集的特征信息有insight之后，再干活。在2014年，Goodfellow等提出生成式对抗网络GAN(Generative adversarial networks)。GAN网络由一个生成器和一个判别器构成。生成器和判别器使用多层感知机。

深度学习-71: Tensorflow的架构、模型、可视化和案例库。文本介绍Tensorflow的架构，Tensorflow内置数据集，Tensorflow内置模型、内置可视化支持和相关在线资源。Tensorflow一个高度模块化的神经网络库，支持GPU和CPU。TensorFlow是一个使用数据流图进行数值计算的开源软件库。TensorFlow最初是由研究人员和工程师在Google机器智能研究组织的Google Brain团队开发的，目的是进行机器学习和深度神经网络研究。 该系统通用性足以适用于各种其他领

深度学习-72: PyTorch的架构、模型、可视化和案例库。文本介绍PyTorch的架构，PyTorch内置数据集，PyTorch内置模型、PyTorch的可视化支持和相关在线资源。PyTorch(Caffe2)通过混合前端，分布式训练以及工具和库生态系统实现快速，灵活的实验和高效生产。PyTorch 和 TensorFlow 具有不同计算图实现形式，TensorFlow 采用静态图机制(预定义后再使用)，PyTorch采用动态图机制(运行时动态定义)。

深度学习-74: Keras的架构、模型、可视化和案例。介绍Keras的架构，Keras内置数据集，Keras内置模型、内置可视化支持和相关在线资源。Keras一个高度模块化的神经网络库，支持GPU和CPU。Keras支持卷积神经网络和循环神经网络，以及两者的组合。Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

Tensorflow超级资源列表(Github 12.8K星)包罗万象。发现了一份极棒的 Tensorflow 资源列表，该列表包含了与 Tensorflow 相关的众多库、教程与示例、论文实现以及其他资源。实践派赶紧收藏，无问西东，行动起来。由于是资源列表，仅翻译了一级标题，看官见谅。项目地址：https://github.com/jtoy/awesome-tensorflow

PyTorch超级资源列表(Github 2.4K星)包罗万象。发现了一份极棒的 PyTorch 资源列表，该列表包含了与 PyTorch 相关的众多库、教程与示例、论文实现以及其他资源。实践派赶紧收藏，以备不时之需。由于是资源列表，仅翻译了一级标题，看官见谅。项目地址：https://github.com/bharathgs/Awesome-pytorch-list

深度学习-50:展望深度学习的未来；深度学习的理论进展；语音识别领域的研究现状；图像识别领域的研究现状；自然语言处理领域的研究现状；人工智能的产业进展；人工智能的未来；通用人工智能；奇点来临

深度学习-81:游戏中的人工智能优快云专栏: 机器学习&深度学习(理论/实践)人工智能模块一直是游戏设计的核心，人工智能模块能够能够让软件游戏更加灵动而让用户无比兴奋。最早的让人工智能的深度优先和广度优先算法融入游戏就一发不可收拾，各种游戏模块均被智能化改造，让软件游戏具有了弱智能的特性。伴随着深度学习技术的成熟，游戏世界又一次迎来了人工智能应用的高潮。1 人工智能游戏大事记...

深度学习-82:计算机AI视觉优快云专栏: 机器学习&深度学习(理论/实践)随着机器学习，计算机视觉和计算能力的日益成熟，计算机视觉被广泛应用于人机互动、物体识别、图像分割、人脸识别、动作识别、运动跟踪、机器人、运动分析、机器视觉、结构分析和汽车安全驾驶等。计算机视觉伴随着比较多的推理型和场景分析型的视觉任务，大量机器学习算法被引入计算机视觉；最近10年，神经网络和深度学习发展迅...

深度学习-83:金融科技公司优快云专栏: 机器学习&深度学习(理论/实践)当今金融逐渐IT化，而科技公司也走向了金融化。百度、阿里巴巴、腾讯和京东纷纷难道金融牌照，纷纷发力个人消费金融市场。他们一方面科技能力输出，赋力各行各业，一方面发力发展金融业务。当前科技优势往往具有高纬度打击能力，任何传统公司任何传统行业在科技企业面前不堪一击。这种背景下任何具有标准业务的公司均可能分分钟替...

深度学习-84:自动驾驶技术(L0-L5级别)优快云专栏: 机器学习&深度学习(理论/实践)人工智能在驾驶领域的应用最为深入。通过依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在无人类主动的操作下，自动安全进行操作。自动驾驶系统主要由环境感知、决策协同、控制执行组成。目前自动驾驶在人工智能的应用领域中主要应用场景包括智能汽车、公共交通、快递用车、工业应...

深度学习-85:智慧地球/智慧城市/智慧家庭优快云专栏: 机器学习+深度学习(理论/实践)网络互联互通在企业级别渗透范围极其广泛，边缘领域(家庭、公共基础设施、安防等)并未网络互联互通，数据都停留在信息孤岛上。智慧地球从很高的维度关注工业化、信息化和全球化的趋势，智慧地球的理念的发布，立即在IT界、经济界、工业界等领域引起了巨大的反响。2009年金融危机，IBM首席执行官彭明盛(...

深度学习-80:深度学习的降维攻击及流派；当今科技日新月异，行业巨头一不小心就成了不适应环境的恐龙，面临彻底出局的危险。2000年初的移动手机功能机时代向智能手机时代过渡的战国时代，给我们一些生动的案例，大而不死，赢者通吃，强者恒强，定位理论，品类创新等传统经济理论几乎都不能解释诺基亚、摩托罗拉的暴死。从事计算机业的苹果公司重新定义了智能手机，从事互联网行业的雷军重新定义了智能手机的销售模式。智能手机快速的革命演绎充分说明致命的战略对手和颠覆者不是来自原有行业，不同行业的创新者和挑战者带来的跨界降维攻击才是