6.6. 通过时间反向传播6.6.1. 定义模型 6.6.2. 模型计算图 6.6.3. 方法 6.6.4. 小结 6.6.5. 练习 6.6. 通过时间反向传播 如果读者做了上一节的练习，就会发现，如果不裁剪梯度，模型将无法正常训练。为了深刻理解这一现象，本节将介绍循环神经网络中梯度的计算和存储方法，即通过时间反向传播（back-propagatio...

1. 深度学习简介1.1. 起源 1.2. 发展 1.3. 成功案例 1.4. 特点 1.5. 小结 1.6. 练习 1.7. 参考文献 1.8. 扫码直达讨论区 1. 深度学习简介 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。实际上，或者说幸运的是，...

后记：语言的挑战语言处理与符号处理 当代哲学划分 NLTK 路线图 Envoi… 后记：语言的挑战 自然语言抛出一些有趣的计算性挑战。我们已经在前面的章节探讨过许多这样的挑战，包括分词、标注、分类、信息提取和建立句法和语义表示。你现在应该已经准备好操作大型数据集，来创建语言现象的强健模型，并将它们扩展到实际语言技术的组件中。我们希望自然语言工具包（NL...

图像分类说明: 背景介绍 效果展示 模型概览CNN VGG GoogLeNet ResNet 数据准备模型结构Paddle 初始化 VGG ResNet Inference Program 配置 Train Program 配置 Optimizer Function 配置 训练模型Data Feeders 配置 Trainer 程序的实现 训练主循环...

使用 Swift 构建自定义（且“可设计”的）控件那就开始吧！ 子类化 UIControl 1) 绘制用户界面绘制背景 绘制操作区域 创建掩模图像 裁减上下文 绘制把手 2) 跟踪用户的交互开始跟踪 持续跟踪 结束跟踪 3) Target-Action 模式为控件事件发送操作 如何使用控件 总结 本文翻译自 http://www.thinkandb...

3.6. softmax回归的从零开始实现3.6.1. 获取和读取数据 3.6.2. 初始化模型参数 3.6.3. 实现softmax运算 3.6.4. 定义模型 3.6.5. 定义损失函数 3.6.6. 计算分类准确率 3.6.7. 训练模型 3.6.8. 预测 3.6.9. 小结 3.6.10. 练习 3.6. softmax回归的从零开始实现 这...

5.1.2. 二维卷积层5.1.1. 二维互相关运算 5.1.2. 二维卷积层 5.1.3. 图像中物体边缘检测 5.1.4. 通过数据学习核数组 5.1.5. 互相关运算和卷积运算 5.1.6. 特征图和感受野 5.1.7. 小结 5.1.8. 练习 5.1.2. 二维卷积层 卷积神经网络（convolutional neural network）是...

Fluid编程指南使用Tensor表示数据 数据传入 使用Operator表示对数据的操作 使用Program描述神经网络模型 使用Executor执行Program 代码实例 What's next Fluid编程指南 本文档将指导您如何用Fluid API编程并搭建一个简单的神经网络。阅读完本文档，您将掌握： Fluid有哪些核心概念 如何在f...

VisualDL 使用指南概述 动态添加数据组件LogWriter — 记录器 scalar — 折线图组件 histogram — 直方图组件 image — 图片可视化组件 text — 文本组件 audio — 音频播放组件 high dimensional — 数据降维组件 graph — 神经网络可视化组件 VisualDL 使用指南 概...

3.14. 正向传播、反向传播和计算图3.14.1. 正向传播 3.14.2. 正向传播的计算图 3.14.3. 反向传播 3.14.4. 训练深度学习模型 3.14.5. 小结 3.14.6. 练习 3.14. 正向传播、反向传播和计算图 前面几节里我们使用了小批量随机梯度下降的优化算法来训练模型。在实现中，我们只提供了模型的正向传播（forward...