分类问题和回归问题是监督学习的两大种类。这一节将分别介绍分类问题和回归问题中使用到的经典损失函数。分类问题希望解决的是将不同的样本分到事先定义到的经典损失函数。分类问题希望解决的将不同的样本分到事先定义好的类别中。
使用自定义模型类从头开始训练线性回归，比较PyTorch 1.x和TensorFlow 2.x之间的自动差异和动态模型子类化方法。
来源：机器之心本文约4600字，建议阅读10+分钟你有在使用JAX吗？ 近年来，谷歌于 2018 年推出的 JAX 迎来了迅猛发展，很多研究者对其寄予厚望，希望它可以取代 TensorFlow 等众多深度学习框架。但 JAX 是否真的适合所有人使用呢？这篇文章对 JAX 的方方面面展开了深入探讨，希望可以给研究者选择深度学习框架时提供有益的参考。 自 2018 年底推出以来，JAX 的受欢迎程度一直在稳步提升。2020 年，DeepMind 宣布使用 JAX 来加速其研究。越来越多来自谷歌大脑（Google
自 2018 年底推出以来，JAX 的受欢迎程度一直在稳步提升。2020 年，DeepMind 宣布使用 JAX 来加速其研究。越来越多来自谷歌大脑（Google Brain）和其他机构的项目也都在使用 JAX。
值得一提的是，尽管在 4 月底 PyTorch 在 0.4 版本中已经加入了对于 Windows 的支持，但其对比 Keras 与 TensorFlow 在 Windows 上的稳定性还略有差距。
AI科技评论按：Google的TensorFlow是AI学习者中使用率最高、名气也最大的深度学习框架，但由于TensorFlow最早是基于Google的需求开发的，在实际使用上也会存在如文档乱、调试难等诸多缺点，而且开发时间比较早未能及时对一些新的需求进行反应（据AI科技评论了解，由于缺乏类似PyTroch、DyNet的动态图功能，Lecun就不止一次吐槽过TensorFlow是“过时的深度学习框架”（yesterday deep learning framework）），而针对用户的需求，Google也在
Google 的 TensorFlow 是 AI 学习者中使用率最高、名气也最大的深度学习框架，但由于 TensorFlow 最早是基于 Google 的需求开发的，在实际使用上也会存在如 文档乱、调试难 等诸多缺点，而且开发时间比较早未能及时对一些新的需求进行反应（据AI研习社了解，由于缺乏类似 PyTroch、DyNet 的动态图功能，Lecun 就不止一次吐槽过 TensorFlow 是 “过时的深度学习框架”（yesterday deep learning framework）），而针对用户的需
通过本教程，你可以了解 Keras 和 tf.keras 之间的区别，以及 TensorFlow 2.0 的新特性。本教程的灵感来自于上周二我在 PyImageSearch 阅读器上收到的一封邮件。
作者：Prerna Khanna、Tanmay Srivastava、Kanishk Jeet
前段时间一直在研究微信小程序中的 TensorFlow.js 开发，并开发了若干示例小程序，详情请查看之前的文章：
由于之前一直在 Android 机子上测试，没在 iOS 上跑过。最近 FlutterUnit 发布了 iOS 版本，收到了最多的反馈就是：返回滑动 失效。 起初我以为只是 WillPopScope 的锅，但我发现，很多普通的界面在跳转后，iOS 也无法返回滑动。然后觉得很蹊跷，事出反常必有妖，且来一探究竟。
深度学习发展势头迅猛，但近两年涌现的诸多深度学习框架让初学者无所适从。如 Google 的 TensorFlow、亚马逊的 MXNet、Facebook 支持的 PyTorch、Theano、Caffe、CNTK、Chainer、百度的 PaddlePaddle、DSSTNE、DyNet、BigDL、Neon 等等。
可微分渲染是一个新颖的领域，可帮助计算3D对象的梯度并允许它们在图像中传播，而无需3D数据收集和注释。计算机图形学中的渲染生成3D场景，该场景由几何形状，材质，场景光和相机属性定义。渲染是一个复杂的过程。它的区别不能唯一地定义；因此不可能直接集成到神经网络中。可微分渲染（DR）构成了一系列技术，这些技术通过获取渲染过程的有用梯度来解决端到端优化的这种集成问题。
你是否希望能够学习深度学习？你是想将其应用于商业，以此为基础建立你的下一个项目，还是仅仅是增加自己的职场价值？无论如何，选择合适的深度学习框架进行学习都是关键的、能够更好实现目标的第一步。
通过对安全与NLP的实践和思考，有以下三点产出。首先，产出一种通用解决方案和轮子，一把梭实现对各种安全场景的安全检测。通用解决方案给出一类安全问题的解决思路，打造轮子来具体解决这一类问题，而不是使用单个技术点去解决单个问题。具体来说，将安全与NLP结合，在各种安全场景中，将其安全数据统一视作文本数据，从NLP视角，统一进行文本预处理、特征化、预训练和模型训练。例如，在Webshell检测中，Webshell文件内容，在恶意软件检测中，API序列，都可以视作长文本数据，使用NLP技术进行分词、向量化、预训练等操作。同理，在Web安全中，SQLi、XSS等URL类安全数据，在DNS安全中，DGA域名、DNS隧道等域名安全数据，同样可以视作短文本数据。因此，只要安全场景中安全数据可以看作单变量文本数据，这种通用解决方案和轮子就适用，轮子开源在我的github仓库FXY中，内置多种通用特征化方法和多种通用深度学习模型，以支持多种安全场景的特征化和模型训练，达到流水线式作业。
和尚想自定义一个水波纹按钮，即默认向外扩散的水波样式；实现方式有很多种，和尚尝试最基本的 AnimationController 逐层绘制来处理，和尚简单记录一下尝试过程；
选自Google Blog 机器之心编译 参与：Jane W、吴攀 近日，谷歌开发者博客发布了一篇文章，介绍了用于 TensorFlow 的编译器 XLA（Accelerated Linear Algebra/加速线性代数）的原理和能力。 TensorFlow 的设计目标和核心优势之一是其灵活性。TensorFlow 被设计成一个灵活和可扩展的系统，可用于定义任意数据流图（data flow graph）并使用异构计算设备（如 CPU 和 GPU）以分布式方式有效地执行它们。 但是灵活性通常与性能不能兼得。
w=tf.Variable(tf.random_normal(2,3,stddev=2, mean=0, seed=1))
记录一下安装win10+GeForce GTX1060+CUDA 9.0+cuDNN7.3+tensorflow-gpu 1.12.0+python3.5.5
本文总结
前段时间做实验室项目，需要以报表的形式将数据展示给用户。首先想到的是visual studio自带的listview，用起来是比较方便，可是看着不美观，说白了，就是吸引力不够。于是，我想到了使用Alpha Blend来做一个半透明效果的表格。因为在今年2月份的时候，Alex Yakhnin做了一次名为《24 Hours of Windows Mobile Application Development: Creating Compelling and Attractive UIs for Windo
选自Google Brain 作者：Asim Shankar & Wolff Dobson 机器之心编译 PyTorch 的动态图一直是 TensorFlow 用户求之不得的功能，谷歌也一直试图在 TensorFlow 中实现类似的功能。最近，Google Brain 团队发布了 Eager Execution，一个由运行定义的新接口，让 TensorFlow 开发变得简单许多。在工具推出后，谷歌开发人员 Yaroslav Bulatov 对它的性能与 PyTorch 做了横向对比。 今天，我们为 Tens
基于uniapp 自定义导航栏|仿微信、淘宝顶部导航条，支持背景渐变、标题居左 /居中、搜索条，圆点提示，按钮可自定义传入文字 /字体图标 /图片
Google I/O大会是一年一度的科技盛会，2019年的Google IO大会已经于5月7日到5月9日在美国举行，距现在已经过去了二十多天。可惜的是，因为一些特殊原因，国内报道很少，也没法看直播视频。当然一些科技媒体也进行了报道，主要是一些大众关注的主题，比如新手机Pixel 3a / Pixel 3a XL、Google Lens、Google Assistant等等。其实Google I/O大会有众多的主题演讲，除了主会场的演讲之外，还有许多专题演讲。这届主题大会上AI关键词出现的频率很高，而AI专题演讲则高达13场，足以说明AI化是未来的趋势。本文将带你回顾一下本届大会上的AI专题演讲。
https://github.com/oborchers/Medium_Repo/blob/master/Putting%20GPT-Neo%20into%20Production%20using%C2%A0ONNX/ONNX-Export.ipynb
本文搜集整理了Jupyter Notebook中TensorFlow和PyTorch的各种深度学习架构，模型和技巧，内容非常丰富，适用于Python 3.7，适合当做工具书。
Keras是目前使用最为广泛的深度学习工具之一，它的底层可以支持TensorFlow、MXNet、CNTK和Theano。如今，Keras更是被直接引入了TensorFlow的核心代码库，成为TensorFlow官网提供的高层封装之一。下面首先介绍最基本的Keras API，斌哥给出一个简单的样例，然后介绍如何使用Keras定义更加复杂的模型以及如何将Keras和原生态TensorFlow结合起来。
上周在实验室开荒某个代码，看到中间这么一段，对Tensorflow中的stop_gradient()还不熟悉，特此周末进行重新并总结。
以下技巧旨在让您更轻松。这不是必须做的清单，但应该被视为一种参考。您了解手头的任务，因此可以从以下技术中进行最佳选择。它们涵盖了广泛的领域：从数据增强到选择超参数；涉及到很多话题。使用此选择作为未来研究的起点。
在本文中，您将发现Keras和tf.keras之间的区别，包括TensorFlow 2.0中的新增功能。
最近，一位从事NLP工程师Gupta发现了TensorFlow存在的一个严重bug：
虽然许多开发人员熟悉常用的CSS属性，但也有一些较为陌生的属性可能被忽视了。在本文中，我们将探讨10个你可能没有使用过的CSS属性。
Uber近期发布了一篇文章，公开了五篇关于深度神经进化的论文，其中包括发现了遗传算法可以解决深层强化学习问题，而一些流行的方法也可替代遗传算法，如深度Q-learning和策略梯度。这项研究是Salimans等人在2017年进行的，另一种神经进化算法，即进化策略（ES）同样可以解决问题。Uber进一步阐述了以下问题：如何通过更多地探索更新智能体所带来的压力形式来改进ES；ES是如何与梯度下降联系起来的。这些研究花费巨大，通常需要720到3000个CPU，并分布在巨大，高性能的计算集群中，因此对于大多数研究人员、学生、公司和业余爱好者来说，深度神经进化研究似乎遥不可及。
昨天，优步AI Lab开源了深度神经进化的加速代码。其博客上称，哪怕用户只有一台电脑（台式机），用这个代码也能训练出会打雅达利的AI。而且只需要4！小！时！
本文大约 8000 字，阅读大约需要 12 分钟 第一次翻译，限于英语水平，可能不少地方翻译不准确，请见谅！
如何构建具有自定义结构和层次的神经网络:Keras中的图卷积神经网络(GCNN) 在生活中的某个时刻我们会发现，在Tensorflow Keras中预先定义的层已经不够了!我们想要更多的层!我们想要建
今天 ChokCoco 大佬发布了一篇博客 超强的苹果官网滚动文字特效实现，iPhone 我是买不起的，但不妨碍我对抄特效感兴趣，正好我这周安排的工作已经完成了，于是有空练练手实现了一个 WPF 版本。最终效果如下：
导读：本文推荐了一些对深入理解TensorFlow非常有帮助的资料。通过阅读这些资料，可以帮助你理解TensorFlow的实现机制以及一些高级技巧。本文是该系列的第二篇，后续还会持续推荐一些与Tens
Texar-PyTorch 对各类不同的机器学习任务有着广泛的支持，尤其是自然语言处理（NLP）和文本生成任务。
React Native 开发时，如果只是写些简单的页面，基本上按着官方文档 reactnative.dev[1] 就能写出来，但是 React Native 的 API 有几百个，没有一定的开发踩坑经验，面对一些新的需求时确实会抓不到重点。
在Excel菜单栏里，默认（选择）开始菜单，在中间部位有个条件格式控件，里面就是关于表格条件格式的方方面面。主要包含突出显示单元格规则、最前/最后规则、数据条、色阶、图标集以及规则管理等。
https://juejin.cn/post/7266745788536356879
模型部署作为算法工程落地的最后一公里，其天然对算法团队而言具有较高的复杂性，不仅要考虑如何高效地部署、管理不同框架模型，还需要考虑分布式服务的负载均衡、故障容错、可扩展性、资源隔离、限流、核心指标监控等问题。这些都极大的依赖于工程团队的能力，不是算法团队的强项，如何解决这最后一公里，让焦点聚焦在模型开发上，是模型部署服务模块需要解决的问题。
设置神经网络参数的过程就是神经网络的训练过程。只有经过有效训练的神经网络模型才可以真正地解决分类或者回归问题使用监督学习的方式设置神经网络参数需要有一个标注好的训练数据集。监督学习最重要的思想是，在一直答案的标注数据集上，模拟给出预测结果要尽量逼近真实的答案。通过调整神经网络中地参数对训练数据进行拟合，可以使得模块对未知的样本提供预测的能力在神经网络优化算法中，最常用的方法是反向传播算法(backpropagation)。反向传播算法的具体工作原理如下图
JAX是机器学习框架领域的新生力量，尽管这个Tensorflow的竞争对手从2018年末开就已经出现，但直到最近，JAX才开始在更广泛的机器学习研究领域中获得关注。
领取专属 10元无门槛券
手把手带您无忧上云
