文本的实用性。 在这本书中，我们将适时教授大部分概念。换句话说，你将在实现某些实际目的所需的非常时刻学习概念。 虽然我们在开始时花了一些时间来教授基础的背景知识，如线性代数和概率，但我们希望你在思考更深奥的 概率分布之前，先体会一下训练模型的满足感。 除了提供基本数学背景速成课程的几节初步课程外，后续的每一章都介绍了适量的新概念，并提供可独立工 作的例子——使用真实的数据集。这带来了组织 https://discuss.d2l.ai/t/2089 目录 15 16 目录 1 引言 时至今日，人们常用的计算机程序几乎都是软件开发人员从零编写的。比如，现在开发人员要编写一个程序 来管理网上商城。经过思考，开发人员可能提出如下一个解决方案：首先，用户通过Web浏览器（或移动应 用程序）与应用程序进行交互；紧接着，应用程序与数据库引擎进行交互，以保存交易历史记录并跟踪每个 用户的动态；其中，这个应 机器学习的第二个影响来自克劳德·香农(1916–2001)20的信息论和艾伦·图灵（1912‐1954）21的计算理论。图 灵在他著名的论文《计算机器与智能》(Turing, 1950) 中提出了“机器能思考吗？”的问题。在他所描述的图 灵测试中，如果人类评估者很难根据文本互动区分机器和人类的回答，那么机器就可以被认为是“智能的”。 另一个影响可以在神经科学和心理学中找到。其中，最古老的算法之一是唐纳德·赫布

GAN 的应用 本章目录 01 生成式深度学习简介 02 GAN的理论与实现模型 04 GAN的思考与前景 3 03 GAN 的应用 01 生成式深度学习简介 02 GAN的理论与实现模型 04 GAN的思考与前景 1.生成式深度学习简介 4  深度学习中常见生成式模型  自编码（AE）  其隐变量z是一个单值映射：z=f(x) 生成式深度学习简介 7 变分自编码（VAE）生成图像 1.生成式深度学习简介 8 03 GAN 的应用 01 生成式深度学习简介 02 GAN的理论与实现模型 04 GAN的思考与前景 2. GAN的理论与实现模型 9 GAN的概念简介及提出背景 概念简介 提出背景 GAN (Generative Adversarial Networks) ，中文翻译为生成式对抗网络，是 batch normalization） 2. GAN的理论与实现模型 24 03 GAN 的应用 01 生成式深度学习简介 02 GAN的理论与实现模型 04 GAN的思考与前景 3. GAN的应用 25 GAN的应用 ⚫ 图像和视觉领域 ⚫ 语音和语言领域 ⚫ 其他领域 作为一个具有 “无限” 生成能力的模型, GAN的直接应用就是建 模, 生成与真实数据分布一致的数据样本，GAN

搜狗深度学习技术在广告推荐领域的应用 舒鹏 目录 CONTENTS 01 搜索广告背景知识 02 深度学习在搜狗搜索广告的一些应用 03 基于多模型融合的CTR预估 04 若干思考 搜索广告背景知识 信息需求 用户查询 查询理解 广告召回 点击率预估 排序计价 结果展示 点击及后续行为 广告库 日志收集 展示日志 点击日志 深度学习在搜狗搜索广告的一些应用 无需分词：基于字符粒度表达的问答系统设计 Google于16年6月份发表相应论文  用于应用商店中推荐APP的排序  基于TensorFlow平台，可兼具业界流行模型（LR、DNN）的优点  一次训练给出两个模型，流程简洁稳定，效果更佳 若干思考 若干思考 DL的强项 输入不规整 结果确定 容易获取的海量训练数据 1 CTR预估 特征有明确含义 场景相关，以用户为导向 很难界定“Ground Truth” 训练样本“有限”

扫一扫二维码图案，加我微信 2019 KE.COM ALL COPYRIGHTS RESERVED 4 目录  为什么要做AI选房  如何做AI选房  模型演变历程  实践应用  总结&思考 2019 KE.COM ALL COPYRIGHTS RESERVED 5 为什么做AI选房？ 2019 KE.COM ALL COPYRIGHTS RESERVED 6 贝壳找房发展&挑战 COPYRIGHTS RESERVED 44 AI选房 - C端场景 2019 KE.COM ALL COPYRIGHTS RESERVED 45 总结&思考 2019 KE.COM ALL COPYRIGHTS RESERVED 46 总结&思考  AI选房解决的是房地产领域的TopN排序问题  AI选房采用了DNN + RNN的混合网络结构 - DNN，静态数据；RNN，时序数据 -

时间序列的基本操作 02 固定频率的时间序列 03 时间周期及计算 04 重采样 05 数据统计—滑动窗口 06 时序模型—ARIMA 5 问题 思考： 什么是时间序列？ 6 时间序列的概念 时间序列是指多个时间点上形成的数值序列，它既可 以是定期出现的，也可以是不定期出现的。 7 时间序列的数据种类 时间序列的数据主要有以下几种： 时间序列的基本操作 02 固定频率的时间序列 03 时间周期及计算 04 重采样 05 数据统计—滑动窗口 06 时序模型—ARIMA 59 时序模型—ARIMA 思考： 什么是ARIMA模型？ 60 时序模型—ARIMA ARIMA的全称叫做差分整合移动平均自回归模型，又 称作整合移动平均自回归模型，是一种用于时间序列 预测的常见统计模型。 ARIMA(p

效，与adam有效果 差距 优点：与优化器⽆关 缺点：⽅案b需要量化训练 ⽆量同时⽀持四种⽅法 百度 阿⾥ ⽆量 问题： CV/NLP低频上线，常⽤的模型 压缩算法不适应推荐场景 思考： 线上服务 成本 训练任务 成本 内存是主要瓶颈 > Embedding table可以设计得更⼩么？Double Hashing Embedding Table与第⼀层fc可以看作低秩矩阵分解

chapter4-4.py。 4.5 总结 历时不到三天的业余时间完成了这本小书的计划和写作，从叙述的详细程度和阅读学习的简 单性而言，还是比较符合我的预期的。 本来这部入门小书的原名叫做《卷积网络实战》，但我思考再三，感觉卷积网络不应该作为入 28 4.5. 总结 门来学习的神经网络，因为卷积层包含了一些关于感受野方面的思想。如果给一个网络构建了卷 积层，它也就失去了普适性（尤其是不再适用于我们第四章的人造数据集了）。

机器学习是人工智能的一个重要研究领域，而深度学习则是近几年最为火热的一类人 工智能算法。接下来我们将介绍人工智能、机器学习、深度学习的概念以及它们之间的联 系与区别。 1.1.1 人工智能 人工智能是让机器获得像人类一样具有思考和推理机制的智能技术，这一概念最早出 现在 1956 年召开的达特茅斯会议上。这是一项极具挑战性的任务，人类目前尚无法对人脑 的工作机制有全面、科学的认知，希望能制造达到人脑水平的智能机器无疑是难于上青 [-1.1523, -0.4272], [ 0.3958, 0.9067]]) 注意到这里 shape 为[4,2]的?和 shape 为[2]的?张量可以直接相加，读者可以思考下为什么 呢？原因将在 Broadcasting 一节为大家揭秘。 通过高层接口类 Linear()方式创建的网络层，张量?和?存储在类的内部，由类自动创 建并管理。可以通过全连接层的 bias 上面提到的 Normalization 方法均由独立的几篇论文提出，并在某些应用上验证了其相 当或者优于 BatchNorm 算法的效果。由此可见，深度学习算法研究并非难于上青天，只要 多思考、多锻炼算法工程能力，人人都有机会发表创新性成果。 图 10.41 不同标准化方案示意图 [7] 10.8.3 BN 层实现 在 PyTorch 中，通过 nn.BatchNorm2d()类可以非常方便地实现