Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。Sockeye 代码库具有来自 MXNet 的独特优势。例如，通过符号式和命令式 MXNet API，Sockeye 结合了陈述式和命令式编程风格；它同样可以在多块 GPU 上并行训练模型。
Sockeye：为使用 MXNet 的机器翻译进行序列到序列建模
Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化，无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面（CLI）,也可以轻易改变基础模型架构，比如：
RNN 单元类型（LSTM 或 GRU）和隐藏状态大小
RNN 层的数量
源序列和目标序列嵌入的大小
应用于源编码的注意力机制的类型
Sockeye 同样有其他更高级的功能，比如：
束搜索推理
多模型的简单集成
RNN 层之间的残差链接
输出层预测的词汇偏倚
门控语境（Context gating）
交叉熵标签平滑
层归一化
为了训练，Sockeye 允许使用者完全掌控重要的优化参数。例如，使用者可以设置优化器类型、学习率、动量、权重衰减和提前停止条件。Sockeye 跟踪了训练和验证数据上的多个指标（包括专门针对机器翻译的指标，比如 BLEU）。
-
译者：mengfu188 校对者：Zhiyu-Chen 作者: Sean Robertson 在这个项目中，我们将教一个把把法语翻译成英语的神经网络。 [KEY: > input, = target, < output] > il est en train de peindre un tableau . = he is painting a picture . < he is painting
-
机器翻译是指将一段文本从一种语言自动翻译到另一种语言。因为一段文本序列在不同语言中的长度不一定相同，所以我们使用机器翻译为例来介绍编码器—解码器和注意力机制的应用。 读取和预处理数据 我们先定义一些特殊符号。其中“<pad>”（padding）符号用来添加在较短序列后，直到每个序列等长，而“<bos>”和“<eos>”符号分别表示序列的开始和结束。 import collections impo
-
20世纪以来众多研究的一大价值，就是揭开了很多“天赋”的神秘面纱，让大家知道学习和训练的重要性，体育运动是如此，文艺创作是如此，翻译也是如此。我知道有许多人对翻译有兴趣，又担心自己“没有语感”，“没有语言天赋”，结果止步不前。对这样的情况，我时常感到非常惋惜，因为回过头看，自己能做一点翻译，而且译文能有机会出版，运气占很大成分，剩下的就是不断的学习、练习和总结了，“天赋”基本是没有的。如果你对翻译
-
问题内容： 普通CPU（例如Android设备）是基于寄存器的计算机。Java虚拟机是基于堆栈的计算机。但是基于堆栈的计算机是否依赖于基于寄存器的计算机工作？由于基于堆栈的计算机不是OS，因此不能单独运行吗？除了JVM，是否有任何基于堆栈的计算机示例？有人说1个操作数，2个操作数；你为什么需要这个？ 问题答案： JVM在任何地方都没有提到寄存器的存在。从它的角度来看，内存仅存在于少数几个地方，例如
-
我正在尝试用RELU实现神经网络。 输入层- 以上是我的神经网络结构。我对这个relu的反向传播感到困惑。对于RELU的导数，如果x 有人能解释一下我的神经网络架构的反向传播“一步一步”吗？
-
我有一个经过训练的网络，它由以下层组成：{con1， pool1， con2， pool2， con3， pool3， con4， pool4， fc5， fc6，输出}fc表示完全连接的层，conv表示卷积层。 我需要做一些图像的特征提取。我用的是千层面和意大利面。我需要保存每个层的特征，以便以后进行分析。我是这门语言的新手，所以我试图找到关于这门语言的示例代码或教程（使用theano/lasa