TorchCV

最近，一个名为 TorchCV 的计算机视觉模型框架站上了 GitHub 趋势榜。该库提供了基于深度学习的大部分 CV 问题研究的源代码，对于使用者来说，调用最常用、最为先进的计算机模型从此可以变得更加容易。TorchCV 的作者 Donny You 来自北京大学，是机器感知与智能教育部重点实验室的一名研三学生。 TorchCV 支持图像分类、语义分割、目标检测、姿态检测、实例分割、生成对抗网络等

格灵深瞳一面，CPU 都干烧了 面试时长：60min 1.自我介绍 2.你觉得笔试哪里做的比较好 3.简历中挑一个你最熟悉的项目介绍（我挑的单目变焦三维重建） 4.如何实现单目变焦三维重建的 5.SLAM 懂一点吗？说一下基本流程 6.讲一下如何准确建图 7.稀疏重建如何去畸变使得图像畸变影响最小 8.图像畸变的原理 9.如何计算图像位姿，本质矩阵如何得到 10.图像特征匹配中 RANSAC 方法

Keras 是一个高层神经网络 API，Keras 由纯 Python 编写而成并基 Tensorflow、Theano 以及 CNTK 后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择 Keras： 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性） 支持 CNN 和 RNN，或二者的结合 无缝 CPU 和 GPU 切换 Kera

停止更新通知 Hi all，十分感谢大家对keras-cn的支持，本文档从我读书的时候开始维护，到现在已经快两年了。这个过程中我通过翻译文档，为同学们debug和答疑学到了很多东西，也很开心能帮到一些同学。 从2017年我工作以后，由于工作比较繁忙，更新频率有所下降。到今年早期的时候这种情况更加严重，加之我了解到，keras官方已经出了中文文档，更觉本份文档似乎应该已经基本完成了其历史使命，该到了

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

相关专题 《深度学习》整理 CNN 专题 RNN 专题 优化算法专题 随机梯度下降 动量算法 自适应学习率算法 基于二阶梯度的优化算法 《深度学习》 5.2 容量、过拟合和欠拟合 欠拟合指模型不能在训练集上获得足够低的训练误差； 过拟合指模型的训练误差与测试误差（泛化误差）之间差距过大； 反映在评价指标上，就是模型在训练集上表现良好，但是在测试集和新数据上表现一般（泛化能力差）； 降低过拟合风险的

译者：bdqfork 作者: Robert Guthrie 深度学习构建模块：仿射映射, 非线性函数以及目标函数 深度学习表现为使用更高级的方法将线性函数和非线性函数进行组合。非线性函数的引入使得训练出来的模型更加强大。在本节中，我们将学习这些核心组件，建立目标函数，并理解模型是如何构建的。 仿射映射 深度学习的核心组件之一是仿射映射，仿射映射是一个关于矩阵A和向量x，b的*f(x)*函数，如下所

主要内容：机器学习,深度学习,机器学习与深度学习的区别,机器学习和深度学习的应用人工智能是近几年来最流行的趋势之一。机器学习和深度学习构成了人工智能。下面显示的维恩图解释了机器学习和深度学习的关系 - 机器学习 机器学习是让计算机按照设计和编程的算法行事的科学艺术。许多研究人员认为机器学习是实现人类AI的最佳方式。机器学习包括以下类型的模式 - 监督学习模式 无监督学习模式 深度学习 深度学习是机器学习的一个子领域，其中有关算法的灵感来自大脑的结构和功能，称为人工神经网络。

主要内容：数据量,硬件依赖,特色工程在本章中，我们将讨论机器和深度学习概念之间的主要区别。 数据量 机器学习使用不同数量的数据，主要用于少量数据。另一方面，如果数据量迅速增加，深度学习可以有效地工作。下图描绘了机器学习和深度学习在数据量方面的工作 - 硬件依赖 与传统的机器学习算法相反，深度学习算法设计为在很大程度上依赖于高端机器。深度学习算法执行大量矩阵乘法运算，这需要巨大的硬件支持。 特色工程 特征工程是将领域知识放入指定特征的