受Transformer在自然语言处理中取得巨大的效果启发，BST将应用Transformer 用于提取用户行为序列背后的隐藏信息，同时考虑序列的前后顺序，能够更好的表达用户兴趣。

【代码】深度推荐模型——AutoInt[CIKM19][北大]

【代码】深度推荐模型——DIEN [AAAI 19][Alibaba]

【代码】深度推荐模型——DIN [KDD 18][Alibaba]

【代码】深度推荐模型——xDeepFM [KDD 18][Microsoft]

【代码】深度推荐模型——DCN [KDD 17][Google]

【代码】深度推荐算法——DeepFM [IJCAI 17][Huawei]

【代码】深度推荐模型——AFM [IJCAI 17][浙大、新加坡国立大学]

【代码】深度推荐模型——NFM [SIGIR 17][新加坡国立大学]

http://www.shuang0420.com/2017/03/13/%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0%20-%20Wide%20and%20Deep%20Learning%20for%20Recommender%20Systems/ Google Play 用的深度神经网络推荐系统，主要思路是将 Memorization(Wide Model) ...

【代码】深度推荐模型——PNN [TOIS 16][交大]

【代码】深度推荐模型——FNN [ECIR 16]

【代码】深度推荐模型——FFM。

【代码】深度推荐模型——FM。

原博文, github在这篇文章中，我们将实现一个类似于Kim Yoon的卷积神经网络语句分类的模型。 本文提出的模型在一系列文本分类任务（如情感分析）中实现了良好的分类性能，并已成为新的文本分类架构的标准基准。本文假设你已经熟悉了应用于NLP的卷积神经网络的基础知识。 如果没有，建议先阅读Understanding Convolutional Neural Networks for N...

本文：http://blog.youkuaiyun.com/u011239443/article/details/73008131 我们之前介绍的神经网络层与层之间都是一对一的，而Inception-v3模型存在一对多和多对一。一对多：用不同或者相同的过滤器过滤出多个层多对一：将多层合并，即深度会相加。tensorflow github 中有Inception-v3模型的实现：https://githu

http://blog.youkuaiyun.com/u011239443/article/details/73136866RNN循环神经网络（RNN）的特殊的地方在于它保存了自己的状态，每次数据输入都会更新状态，输出预测值，并输出更新后的状态，和批数据一起作为输入：如上图，U为数据输入，V为预测值输出，W为状态值输出并输入下一轮。 由于现实中不能无限的迭代下去，我们将其展开，并在有限次迭代后结束：例子RNN

http://blog.youkuaiyun.com/u011239443/article/details/73650806关于LSTM可以参阅：http://blog.youkuaiyun.com/u011239443/article/details/73196473 完整代码：https://github.com/xiaoyesoso/TensorFlowinAction/blob/master/InActionB1

这次我们要做一件比较有趣的事——讲图像风格转化。如何将一张杭州西湖图片：将其风格转化为和梵高的《星夜》一样具有鲜明艺术的风格呢？先给出完整的代码：https://github.com/xiaoyesoso/TensorFlowinAction/blob/master/InActionB2/chapter4/tranImage.py接下来我们来讲解它。

本文地址： http://blog.youkuaiyun.com/u011239443/article/details/72861591我们来实现下不标准的LeNet模型： train：https://github.com/xiaoyesoso/TensorFlowinAction/blob/master/InActionB1/chapter6/mnist_train_6_4_1.py inference

原文 ： http://blog.youkuaiyun.com/stdcoutzyx/article/details/51645396Basic Concepts张量(Tensor)名字就是TensorFlow，直观来看，就是张量的流动。张量(tensor)，即任意维度的数据，一维、二维、三维、四维等数据统称为张量。而张量的流动则是指保持计算节点不变，让数据进行流动。这样的设计是针对连接式的机器学习算法，比如逻

http://blog.youkuaiyun.com/u011239443/article/details/79066094 TensorFlow是谷歌开源的深度学习库。不多介绍，相信准备学习TensorFlow的同学也会自己去更多的了解。本系列博文讲尽量不涉及深度学习理论，但是会给出相关理论对应的博文等资料供大家参阅。这里，首先要跟大家介绍一个计算图的概念： TensorFlow会根据代码先创建

http://blog.youkuaiyun.com/aws3217150/article/details/70214422现代深度学习系统中（比如MXNet， TensorFlow等）都用到了一种技术——自动微分。在此之前，机器学习社区中很少发挥这个利器，一般都是用Backpropagation进行梯度求解，然后进行SGD等进行优化更新。手动实现过backprop算法的同学应该可以体会到其中的复杂性和易

http://blog.youkuaiyun.com/u011239443/article/details/79075392 创建一个计算图而不是直接执行计算的主要好处是什么?主要的缺点是什么?答：主要好处:TensorFlow可以自动计算你的梯度(使用反向模式autodiff)。TensorFlow可以在不同的线程中并行地运行并行操作。它使得在不同的设备上运行相同的模型变得更加容易。

http://blog.youkuaiyun.com/u011239443/article/details/70224863由于本系列博文主要专注于Tensorflow本身，所以还是老样子不会过多讲解神经网络的理论知识。 可以参阅这篇博文来先理解下神经网络：http://blog.youkuaiyun.com/u011239443/article/details/76680704关于神经网络调参，可以参阅：ht

本文地址： http://blog.youkuaiyun.com/u011239443/article/details/71173351 为什么使用逻辑回归分类器而不是经典感知器(例如:用感知器训练算法训练的一层线性阈值单元)?如何调整感知器使其与逻辑回归分类器等效?只有当数据集是线性可分的时，经典的感知器才会收敛，并且它无法估计类概率。相反，逻辑回归分类器将收敛于一个好的解决方案，即使数据集不

全连接神经网络存在以下三个问题： 1. 参数太多（每个节点都要和下一层的所有节点连接） 2. 容易过拟合 3. 不能很好的抽取局部的特征（如一张有两只猫的图片，它偏向于抽取整张图的特征，而不是图中部分区域的特征）鉴于以上的问题，我们介绍卷积神经网络（CNN）。先介绍CNN中的池化层和卷积层。我们根据下图来讲解：过滤器池化层和卷积层都会有过滤器，过滤器会有个窗口（如上图中，黄色的框框），它会把上