11种主要神经网络结构图解
随着深度学习的快速发展，人们创建了一整套神经网络结构来解决各种各样的任务和问题。尽管有无数的神经网络结构，这里有十一种对于任何深度学习工程师来说都应该理解的结构，可以分为四大类: 标准网络、循环网络、卷积网络和自动编码器。
深度学习
<font color="#3a6694"><strong>深度学习是一种基于人工神经网络的机器学习方法，它通过多层神经网络对数据进行建模和学习，从而使计算机能够自动从数据中提取特征并进行预测。深度学习在图像处理、语音识别、自然语言处理等领域取得了显著的突破，特别是在大数据和强大计算能力的支持下，深度学习已成为解决复杂问题的主要技术。</strong></font>
深度学习中的数据增强
一般而言，比较成功的神经网络需要大量的参数，许许多多的神经网路的参数都是数以百万计，而使得这些参数可以正确工作则需要大量的数据进行训练，而实际情况中数据并没有我们想象中的那么多……
深度学习中防止过拟合的方法有哪些？
过拟合是指在模型参数拟合过程中，由于训练数据包含抽样误差，复杂模型在训练时也将抽样误差进行了很好的拟合。具体表现就是在训练集上效果好，而测试集效果差，模型泛化能力弱。
深度学习的卷积神经网络中池化
CNN的池化(图像下采样)方法很多：Mean pooling(均值采样)、Max pooling(最大值采样)、Overlapping (重叠采样)、L2 pooling(均方采样)、Local Contrast Normalization(归一化采样)、Stochasticpooling(随即采样)、Def-pooling(形变约束采样)。
有关机器学习/深度学习的这些英语词汇你都熟悉吗？
machine learning : 机器学习；
deep learning : 深度学习；
image processing : 图像处理；
natural language processing : 自然语言处理
更好地理解正则化：可视化模型权重分布
在机器学习中，经常需要对模型进行正则化，以降低模型对数据的过拟合程度，那么究竟如何理解正则化的影响？本文尝试从可视化的角度来解释其影响。
7种深度学习工具介绍
TensorFlow是Google基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Caffe是一个清晰而高效的深度学习框架，作者是毕业于UC Berkeley的贾扬清。Torch已有十多年，是一个广泛支持机器学习算法的科学计算框架，具有简单和快速的脚本语言LuaJIT和底层C/CUDA实现, Facebook开源了Torch深度学习库包...
入行深度学习之前，要做好哪些准备？
人工智能（AI）、机器学习（ML）、深度学习（DL）在当下的火热程度我就不多说了，同时又有很多人想入门进入这个领域，尤其是深度学习这个细分领域。本文将带你了解入行深度学习前需要做的一些准备。同时，你也会了解到深度学习的学习路径。
深度学习模型训练过程
基本原则：
1）数据标注前的标签体系设定要合理
2）用于标注的数据集需要无偏、全面、尽可能均衡
3）标注过程要审核
形象的解释：DBN、GAN、RNN、LSTM、CNN
深度信念网络（Deep Belief Nets），是一种概率生成模型，能够建立输入数据和输出类别的联合概率分布。深度信念网络通过采用逐层训练的方式，解决了深层次神经网络的优化问题，通过逐层训练为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。