TensorFlow、Keras和PyTorch是目前深度学习的主要框架，也是入门深度学习必须掌握的三大框架，但是官方文档相对内容较多，初学者往往无从下手。本人从github里搜到三个非常不错的学习资源，并对资源目录进行翻译，强烈建议初学者下载学习，这些资源包含了大量的代码示例（含数据集），个人认为，只要把以上资源运行一次，不懂的地方查官方文档，很快就能理解和运用这三大框架。
原标题 | Extreme Event Forecasting with LSTM Autoencoders
【导读】本文是工程师Irhum Shafkat的一篇博文，主要梳理了变分自编码器的相关知识。我们知道，变分自编码器是一种生成模型，在文本生成、图像风格迁移等诸多任务中有显著的效果，那么什么是变分自编码
【导读】这篇博文介绍了如何在深度学习框架Keras上实现文本摘要问题，探讨了如何使用编码器-解码器递归神经网络体系结构来解决文本摘要问题，如何实现文本摘要问题的不同的编码器和解码器，博文通俗易懂，专知内容组整理出来，希望大家喜欢。 Encoder-DecoderModels for Text Summarization in Keras 用Keras实现基于Encoder-Decoder的文本自动摘要 作者：Jason Brownlee 译者：专知内容组 ▌文本摘要概述 ---- 文本摘要是从一个源文档中
来源商业新知网，原标题：MIT高赞深度学习教程：一文看懂CNN、RNN等7种范例（TensorFlow教程）
DanceNet 中最主要的三个模块是变分自编码器、LSTM 与 MDN。其中变分自编码器（VAE）是最常见的生成模型之一，它能以无监督的方式学习复杂的分布，因此常被用来生成图像数据。VAE 非常优秀的属性是可以使用深度神经网络和随机梯度下降进行训练，并且中间的隐藏编码还表示了图像的某些属性。
Google宣布对全球最受欢迎的开源机器学习库TensorFlow进行重大升级，承诺注重简单性和易用性，eager execution，直观的高级API以及在任何平台上灵活构建模型。
本文是关于如何使用Python和Keras开发一个编解码器模型的实用教程，更精确地说是一个序列到序列（Seq2Seq）。在上一个教程中，我们开发了一个多对多翻译模型，如下图所示：
简而言之，自动编码器通过接收数据、压缩和编码数据，然后从编码表示中重构数据来进行操作。对模型进行训练，直到损失最小化并且尽可能接近地再现数据。通过这个过程，自动编码器可以学习数据的重要特征。
多模生物学、影像学和神经心理学标记物已经展示了区分阿尔茨海默病（AD）患者和认知正常的老年人的良好表现。然而，早期预测轻度认知功能障碍（MCI）患者何时和哪些会转变为AD痴呆仍然困难。通过模式分类研究表明，基于纵向数据的模式分类器比基于横截面数据的模式分类器具有更好的分类性能。研究人员开发了一个基于递归神经网络（RNN）的深度学习模型，以学习纵向数据的信息表示和时间动态。将个体受试者的纵向认知测量，与基线海马MRI相结合，建立AD痴呆进展的预后模型。大量MCI受试者的实验结果表明，深度学习模型可以从纵向数据中学习信息性测量，以描述MCI受试者发展为AD痴呆的过程，并且预测模型可以以高精度在早期预测AD进展。最近的研究表明，如果使用纵向而非横截面数据构建分类器，可以获得更好的性能
选自Medium 作者：Harshvardhan Gupta 机器之心编译 参与：刘晓坤、路雪 去年，Facebook 发表论文《Unsupervised Machine Translation Using Monolingual Corpora Only》，提出使用单语语料库的无监督式机器翻译。近日 Medium 上一篇文章对该论文进行了解读，机器之心对此进行了编译介绍。 深度学习广泛应用于日常任务中，尤其擅长包含一定「人性」的领域，如图像识别。或许深度网络最有用的功能就是数据越多性能越好，这一点与机器
在日常工作中，深度学习正在被积极地使用。与其他机器学习算法不同的是，深度网络最有用的特性是，随着它获得更多的数据，它们的性能就会有所提高。因此，如果能够获得更多的数据，则可以预见到性能的提高。 深度网络的优势之一就是机器翻译，甚至谷歌翻译现在也在使用它们。在机器翻译中，需要句子水平的并行数据来训练模型，也就是说，对于源语言中的每句话，都需要在目标语言中使用翻译的语言。不难想象为什么会出现这样的问题。因为我们很难获得大量的数据来进行一些语言的配对。 本文是如何构建的？ 这篇文章是基于“只使用语料库来进行无监督
传统的自动编码器是一种数据的压缩算法 其算法包括编码阶段和解码阶段，且拥有对称的结构。
最近铁柱一直在思考一个问题 ， 如何在Keras中实现RNN序列到序列(sequence-to-sequence)的预测？网上大多数资料都是做的自然语言处理方向，时序方向的开源代码大多是基于TensorFlow,看得铁柱头昏脑胀。在查阅文献时，基于Seq-Seq的双向LSTM时序多步预测表现抢眼，也不知道是不是在往SCI灌水
原文：https://theaisummer.com/Deep-Learning-Algorithms/
机器之心整理 参与：路雪、蒋思源 2017年，人工智能技术出现了很多新的技术和发展，在这一年中机器之心发布了很多教程类文章，有适合入门学习者的，有适合已经具备专业知识和实践经验的从业者的；有关于语言的，有关于框架的，有关于硬件配置的，甚至还有关于猫片、漫画的…… 教程那么多，你……看完了吗？ 本文对这一年来机器之心发布的教程进行总结，共分为 What 和 How 两大部分，在两大板块下又进行细分，目录如下： What 概念 机器学习基础 深度模型基础 强化学习基础 数学 How
上次写了TensorFlow和PyTorch的快速入门资料，受到很多好评，读者强烈建议我再出一个keras的快速入门路线，经过翻译和搜索网上资源，我推荐4份入门资料，希望对大家有所帮助。
本文介绍了如何利用seq2seq来建立一个文本摘要模型，以及其中的注意力机制。并利用Keras搭建编写了一个完整的模型代码。
在今天我们发布的这篇文章中，作者 Sonam Srivastava 介绍了金融中的三种深度学习用例及这些模型优劣的证据。 我们跟随 Sonam Srivastava 的分析，并展望深度学习在金融领域的
本文介绍了如何利用Keras框架开发基于序列数据的循环神经网络模型，并给出了一个序列到序列预测问题的实例。首先介绍了如何定义一个简单的编码器-解码器模型，然后利用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，最后利用Keras的Dataset API从数据集中加载数据并划分训练集和测试集。在划分数据集之后，使用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，并使用Keras的Keras Tuner对模型进行超参数调优。最后，使用Keras的Keras Tuner对模型进行超参数调优，并使用测试集对模型进行评估。实验结果表明，该模型在序列到序列预测问题上的性能优于传统的循环神经网络模型。
ELMo是一个语言模型，主要是做给定文本的Context，预测下一个词。ELMo最重要的一个特点是部分解决了一词多义的情况，没有完全解决哟！它为解决一词多义提供了一个很好的解决方案。像word2vec、glove提供的embedding是静态的，一旦训练完成embedding是不变的。而ELMo其实考虑更多的是Context的信息，对每一个词会给出3个embedding，这3个embedding可以看作是一个词的3个embedding特征，对3个embedding特征会添加三个位置，对于不同的任务会赋予不同的权重，最后根据权重把这三个embedding结合起来做向量平均，把合并后的embedding作为最后词的embedding。
本文为 AI 研习社编译的技术博客，原标题 ： Report on Text Classification using CNN, RNN & HAN 翻译 | 小猪咪、莫尔•约瑟夫、M.Y. Li
在中篇中，我们了解了图机器学习（GML：Graph Machine Learning）。下面，终于到了这个前置教程的重头戏，图神经网络（Graph Neural Networks）。 我们通过结合论文A Comprehensive Survey on Graph Neural Networks来学习现在图神经网络的发展现状。
原文链接：http://www.chenjianqu.com/show-62.html
深度学习是机器学习的子集，它基于人工神经网络。学习过程之所以是深度性的，是因为人工神经网络的结构由多个输入、输出和隐藏层构成。每个层包含的单元可将输入数据转换为信息，供下一层用于特定的预测任务。得益于这种结构，机器可以通过自身的数据处理进行学习。
你好，世界！！我最近加入Jatana.ai 担任NLP研究员（实习生and），并被要求使用深度学习模型研究文本分类用例。在本文中，我将分享我的经验和学习，同时尝试各种神经网络架构。我将介绍3种主要算法，例如：
你还记得胶卷相机的时代吗？冲洗照片是一个神秘的过程，只有摄影师和专业人士才能够驾轻就熟。大多数人的印象中只有弥漫着昏暗红光的暗室。简而言之，冲洗照片是一个耗时的过程。
本篇文章是对论文“Wu Z , Pan S , Chen F , et al. A Comprehensive Survey on Graph Neural Networks[J]. 2019.“”的翻译与笔记
KDD，国际数据挖掘与知识发现大会，全称：ACM SIGKDD Conference on Knowledge Discovery and DataMining，是数据挖掘领域国际最高级别会议。
自动编码器（Autoencoders）是一种无监督学习算法，在深度学习领域中被广泛应用。它可以通过将输入数据进行编码和解码来重构数据，从而学习数据的低维表示。自动编码器可以用于特征提取、降维和数据重建等任务，在图像处理、文本处理和推荐系统等领域都有广泛的应用。
正确理解图像信息在医学等领域是至关重要的。去噪可以集中在清理旧的扫描图像上，或者有助于癌症生物学中的特征选择。噪音的存在可能会混淆疾病的识别和分析，从而导致不必要的死亡。因此，医学图像去噪是一项必不可少的预处理技术。
由于深度学习算法在表达非线性表征上的卓越能力，它非常适合完成输入到有标签的数据集输出的映射。这种任务叫做分类。它需要有人对数据进行标注。无论是对 X 光图像还是对新闻报道的主题进行标注，在数据集增大的时候，依靠人类进行干预的做法都是费时费力的。
Machine Learning Mastery 机器学习算法教程 机器学习算法之旅 利用隔离森林和核密度估计的异常检测 机器学习中的装袋和随机森林集成算法 从零开始实现机器学习算法的好处 更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧 机器学习的提升和 AdaBoost 选择机器学习算法：Microsoft Azure 的经验教训 机器学习的分类和回归树 什么是机器学习中的混淆矩阵 如何使用 Python 从零开始创建算法测试工具 通过创建机器学习算法的目标列表来获得控制权 机器学习中算法
生成式人工智能是人工智能和创造力交叉的一个令人兴奋的领域，它通过使机器能够生成新的原创内容，正在给各个行业带来革命性的变化。从生成逼真的图像和音乐作品到创建逼真的文本和沉浸式虚拟环境，生成式人工智能正在突破机器所能实现的界限。在这篇博客中，我们将探索使用 VAE、GAN 和 Transformer 的生成式人工智能的前景，深入研究其应用、进步及其对未来的深远影响。
在涉及有序数据序列的问题中，例如时间序列预测和自然语言处理，上下文对于预测输出非常有价值。可以通过摄取整个序列而不仅仅是最后一个数据点来确定这些问题的上下文。因此，先前的输出成为当前输入的一部分，并且当重复时，最后的输出结果是所有先前输入的结果以及最后一个输入。 循环神经网络（RNN）架构是用于处理涉及序列的机器学习问题的解决方案。
在这篇文章中，我们将看到如何使用自动编码器(一种特殊的人工神经网络)来匿名化数据。该方法所提取的数据的潜在表示可以在不影响原始数据性能的前提下用于下游的机器学习预测任务中。
作者：Sandeep Bhupatiraju 剧透警告：摩斯电码并不需要破解。它很有用，因为消息可以使用这些代码以最少的设备发送，并且我说它不需要破解，因为代码是众所周知的，点和破折号的组合并不是什么秘密。但是，从理论上讲，它是一种替代密码（substitution cipher）， 每个字母（和每个数字）的每个字母都有一些使用点和破折号的表示形式，如下所示。 让我们暂停我们的怀疑，并假设我们收到摩尔斯电码的消息，但我们不知道如何阅读它们。假设我们还有一些代码的例子及其相应的单词列表。现在，
自动编码器是重建输入的绝佳工具。简单来说，机器就是一个图像，可以生成一个密切相关的图片。这种神经网络中的输入是未标记的，这意味着网络能够在没有监督的情况下进行学习。更准确地说，输入由网络编码，仅关注最关键的特征。这是自动编码器因降维而流行的原因之一。此外，自动编码器可用于生成生成学习模型。例如，神经网络可以用一组面部训练，然后可以产生新的面部。
本文探讨了使用一个变分自动编码器来降低使用Keras和Python的金融时间序列的维度。我们将进一步检测不同市场中的金融工具之间的相似性，并将使用获得的结果构建一个自定义指数。
目前深度学习中的神经网络种类繁多，用途各异。由于这个分支在指数增长，跟踪神经网络的不同拓扑有助于更深刻的理解。本文将展示神经网络中最常用的拓扑结构，并简要介绍其应用。
在神经网络世界中，对图像数据进行建模需要特殊的方法。其中最著名的是卷积神经网络(CNN或ConvNet)或称为卷积自编码器。并非所有的读者都了解图像数据，那么我先简要介绍图像数据(如果你对这方面已经很清楚了，可以跳过)。然后，我会介绍标准神经网络。这个标准神经网络用于图像数据，比较简单。这解释了处理图像数据时为什么首选的是卷积自编码器。最重要的是，我将演示卷积自编码器如何减少图像噪声。这篇文章将用上Keras模块和MNIST数据。Keras用Python编写，并且能够在TensorFlow上运行，是高级的神经网络API。
目前深度学习中的神经网络种类繁多，用途各异。由于这个分支在指数增长，跟踪神经网络的不同拓扑有助于更深刻的理解。在本文中，我们将展示神经网络中最常用的拓扑结构。
机器学习从业者有不同的个性。虽然其中一些是“我是X专家，X可以训练任何类型的数据”，其中X =某种算法，其他人是“正确的工具用于正确的工作”的人。他们中的很多人还订阅了“各行各业的高手”的策略，他们拥有一个深厚的专业领域，并且对机器学习的不同领域略有了解。也就是说，没有人可以否认这样一个事实：作为实践数据科学家，我们必须了解一些常见机器学习算法的基础知识，这将有助于我们处理我们遇到的新域问题。这是常见机器学习算法的旋风之旅，以及有关它们的快速资源，可以帮助你开始使用它们。
作者 | Francois Chollet 编译 | 雁惊寒 seq2seq是一种把序列从一个域（例如英语中的句子）转换为另一个域中的序列（例如把相同的句子翻译成法语）的模型训练方法。目前有多种方法可以用来处理这个任务，可以使用RNN，也可以使用一维卷积网络。 很多人问这个问题：如何在Keras中实现RNN序列到序列（seq2seq）学习？本文将对此做一个简单的介绍。 什么是seq2seq学习 序列到序列学习（seq2seq）是一种把序列从一个域（例如英语中的句子）转换为另一个域中的序列（例如把相同的句子
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 由于在图像生成效果上可以与GAN媲美，扩散模型最近成为了AI界关注的焦点。 谷歌、OpenAI过去一年都提出了自家的扩散模型，效果也都非常惊艳。 另一边，剑桥大学的学者David Krueger提出，自动编码器会不会卷土重来成为研究热潮。 就在最近，DeepMind的一位研究科学家Sander Dieleman基于以上两股热潮，提出了自己的观点： 扩散模型就是自动编码器啊！ 这一观点立刻引起了不少网友的注意，大家看了Sander的阐述，都觉得说得很
自1986年[1]问世以来，在过去的30年里，通用自动编码器神经网络已经渗透到现代机器学习的大多数主要领域的研究中。在嵌入复杂数据方面，自动编码器已经被证明是非常有效的，它提供了简单的方法来将复杂的非线性依赖编码为平凡的向量表示。但是，尽管它们的有效性已经在许多方面得到了证明，但它们在重现稀疏数据方面常常存在不足，特别是当列像一个热编码那样相互关联时。
选自Keras Blog 作者：Francois Chollet 机器之心编译 参与：黄小天、路雪 如何在 Keras 中实现 RNN 序列到序列学习？本文中，作者将尝试对这一问题做出简短解答；本文预设你已有一些循环网络和 Keras 的使用经验。 GitHub：https://github.com/fchollet/keras/blob/master/examples/lstm_seq2seq.py 什么是序列到序列学习？ 序列到序列学习（Seq2Seq）是指训练模型从而把一个域的序列（比如英语语句）转化
随着云技术的飞速发展，云系统的复杂性和规模不断增加，云系统的稳定性受到了极大挑战。为了解决运维问题，运营商会通过指标（Metrics）、日志（Logs）等多个维度信息来了解云系统的运行状态。
领取专属 10元无门槛券
手把手带您无忧上云
