权值衰减和L2正则化傻傻分不清楚？
神经网络是伟大的函数逼近器和特征提取器，但有时它们的权值变得过于特定化，导致过拟合。这就是正则化概念出现的地方，我们将讨论两种主要权重正则化技术之间的细微差别，它们经常被错误地认为是相同的。
神经网络
1 个 AI 模型 = 5 辆汽车终身碳排量，AI 为何如此耗能？
根据最新的研究结果，训练一个普通的 AI 模型消耗的能源相当于五辆汽车一生排放的碳总量，而 BERT 模型的碳排放量约为 1400 磅二氧化碳，这相当于一个人来回坐飞机横穿美国。为何 AI 模型会如此费电，它们与传统的数据中心计算有何不同？
可以提高你的图像识别模型准确率的7个技巧
假定，你已经收集了一个数据集，建立了一个神经网络，并训练了您的模型。但是，尽管你投入了数小时(有时是数天)的工作来创建这个模型，它还是能得到50-70%的准确率。这肯定不是你所期望的。本文是一些提高模型性能指标的策略或技巧，可以大大提升你的准确率。
12个神经网络可视化工具
【导读】本文介绍了12个将神经网络画地更好看的工具。
什么时候以及为什么基于树的模型可以超过神经网络模型？
神经网络通常被认为是机器学习的圣杯，无所不知，解决一切问题，主要是因为它们很复杂。另一方面，基于树的方法并没有被同样的敬畏和炒作，主要是因为它们看起来很简单。虽然它们看起来如此不同，但它们只是一枚硬币的两面。
深入理解Batch Normalization原理与作用
深度学习网络模型训练困难的原因是，cnn包含很多隐含层，每层参数都会随着训练而改变优化，所以隐层的输入分布总会变化，每个隐层都会面临covariate shift的问题。
为什么基于树的模型可以超过神经网络模型？
神经网络通常被认为是机器学习的圣杯，无所不知，解决一切问题，主要是因为它们很复杂。另一方面，基于树的方法并没有被同样的敬畏和炒作，主要是因为它们看起来很简单。虽然它们看起来如此不同，但它们只是一枚硬币的两面。
全连接层有何作用？
众所周知，全连接层之前的作用是提取特征，全连接层的作用是分类。