摘要：
序列模型和注意力机制 Seq2Seq模型 Seq2Seq（Sequence-to-Sequence）模型能够应用与机器翻译、语音识别等各种序列到序列的转换问题。一个Seq2Seq模型包括编码器（Encoder）和解码器（Decoder）两部分，它们通常是两个不同的RNN。如下图所示，将编码器的输出作 阅读全文
摘要：
自然语言处理与词嵌入 词嵌入 one-hot向量表示了每个词在词汇表中的位置，但是每个one-hot向量的内积为0，不能表示出每个词之间的相互关系。 I want a glass of orange juice. I want a glass of apple __. 例如，对于上述的这样一句话，通 阅读全文
摘要：
循环序列模型 自然语言和音频都是前后相关联的数据，对于这些前后相关联的序列数据通过循环神经网络（Recurrent Neural Network, RNN）来进行处理。 使用RNN收i先的应用有下图所示的例子： 上图中所有的这些问题都可以通过有监督学习，通过输入给定的标签数据\(（X,Y）\)作为训 阅读全文
摘要：
特殊应用：人脸识别和神经风格转换 人脸识别 与人脸识别（Face Recognition）相关的还有活体检测（Liveness Detection）问题，在这里仅讨论前者。 人脸验证（Face Verification）和人脸识别（Face Recognition）的区别: 人脸验证：一般指一个1对 阅读全文
摘要：
目标检测 Object detection 目标检测的第一步是目标定位（Object localization）。对于图片分类器我们已经十分了解，而目标定位不仅需要判断图片中是否有某一类对象，还需要在图片中标记出它的位置。 如果图片中有多个对象，就需要识别出图片中所有的对象，并标记出来位置，也就是目 阅读全文
摘要：
深度卷积模型：案例探究 为什么要学习一些案例呢？ 就像通过看别人的代码来学习编程一样，通过学习卷积神经模型的案例，建立对卷积神经网络的（CNN）的“直觉”。并且可以把从案例中学习到的思想、模型移植到另外的任务上去，他们往往也表现得很好。 接下来要学习的神经网络： 经典模型：LeNet5、AlexNe 阅读全文
摘要：
卷积神经网络 计算机视觉问题 计算机视觉（computer vision）是因深度学习而快速发展的领域之一，它存进了如自动驾驶、人脸识别等应用的发展，同时计算机视觉领域的发展还可以给其他领域提供思路。 计算机视觉应用的实例：图片分类（识别是不是一只猫）、目标检测（检测途中汽车行人等）、图片风格转移等 阅读全文
摘要：
误差分析 Error Analysis 如果你的机器学习算法表现得还不够好，那么通过手工去检查算法所犯的错误，这个过程称为错误分析（Error Analysis）。 举例如下，团队开发的识别猫咪的分类器，在dev set上准确率为90%。此时我们希望提升算法的性能，通过分析算法的错误样本，发现其中有 阅读全文