Deephub
更多文章请关注公众号：Deephub-IMBA
可视化损失函数空间三维图
这篇介绍性文章简要说明了它是如何实现的，以及它是一个多么简单而又引人入胜的想法。
使用Pytorch实现三元组损失
在这篇文章中，我们将探索如何建立一个简单的具有三元组损失的网络模型。它在人脸验证、人脸识别和签名验证等领域都有广泛的应用
Pandas的10个常用函数总结
我们大多数人更喜欢 Python 来处理与数据相关的事情，而Pandas是我们是最常用的Python库
使用孪生网络和零样本学习进行文本分类
在这篇文章中，我们将讨论如何通过检测哪些话语属于域哪些话语不属于域,然后我们将讨论用孪生网络（Siamese Networks）和零样本（Zero-Shot ）学习进行文本分类。
DeepCluster：用于表示视觉特征的无监督学习聚类算法
在这篇文章中，我们要简单介绍Facebook 的“Deep Clustering for Unsupervised Learning of Visual Features”。
十分流行的自举法（Bootstrapping ）为什么有效
自举法（Bootstrapping）是一种重采样技术，这篇文章旨在以一种为外行介绍的方式展示自举法的“为什么”。
监督学习算法的发展史和它们之间的关系：从文氏图到回归、决策树、支持向量机和人工神经网络
在这篇文章中，我将解释有监督的机器学习技术如何相互关联，将简单模型嵌套到更复杂的模型中，这些模型本身嵌入到更复杂的算法中。
在没有数据的情况下使用贝叶斯定理设计知识驱动模型
数据是模型的基础，但是没有数据只有领域专家也可以很好地描述或甚至预测给定环境的“情况”。我将根据贝叶斯概率来总结知识驱动模型的概念，然后是一个实际教程，以演示将专家的知识转换为贝叶斯模型以进行推理的步骤。
NLP中关键字提取方法总结和概述
关键词提取方法可以在文档中找到相关的关键词。在本文中，我总结了最常用的关键字提取方法。
神经网络结构搜索(NAS)简介
本文旨在展示神经网络架构搜索（NAS）的进展、面临的困难和提出的解决方案，以及 NAS 在当今的普及和未来趋势。
详细对比深度神经网络DNN和高斯过程GP
深度神经网络 (DNN) 和高斯过程 (GP)* 是两类具有高度表现力的监督学习算法。在考虑这些方法的应用时会出现一个自然的问题：“什么时候以及为什么使用一种算法比另一种更有意义？”
Batch Renormalization:修复小批量对Batch Normalization的影响
这篇论文也是batch normalization的作者所写的，主要是针对小的mini-batch 会影响normalization效果这个问题作出修复，如果你的BN效果不好，可以试试这个方法。
论文导读：RotNet通过预测图像旋转进行自监督学习
这是2018年ICLR发表的一篇论文，被引用超过1100次。论文的想法来源于：如果某人不了解图像中描绘的对象的概念，则他无法识别应用于图像的旋转。
拥有100万亿参数GPT-4将比GPT-3大500倍：超大型的神经网络是实现AGI的最佳方式吗？
OpenAI 的诞生是为了应对实现通用人工智能 (AGI) 的挑战——一种能够做人类能做的任何事情的人工智能。
用于AB测试的减少方差方法总结和对比
当我们进行在线实验或A/B测试时，我们需要确保我们的测试具有很高的统计能力，这样如果我们的推断确实存在的话，我们就有很高的概率发现和验证它。
时间卷积网络TCN：CNN也可以处理时序数据并且比LSTM更好
本文回顾了 Shaojie Bai、J. Zico Kolter 和 Vladlen Koltun 撰写的论文：An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling。
基于遗传算法的特征选择:通过自然选择过程确定最优特征集
遗传算法是一种基于自然选择的优化问题的技术。在这篇文章中，我将展示如何使用遗传算法进行特征选择。
激活函数其实并不简单：最新的激活函数如何选择？
让我们来看看几个最有前途的激活函数，看看它们为什么好以及何时使用它们。
使用神经网络的建立与分析遗传基因数据模型
"哪一种最简单的神经网络能与遗传数据最匹配"。经过大量文献回顾，我发现与该主题相关的最接地气却非常有趣的工作是在Yoshua Bengio 教授的实验室中进行的。
深度学习的端到端文本OCR:使用EAST从自然场景图片中提取文本
我们生活在这样一个时代：任何一个组织或公司要想扩大规模并保持相关性，就必须改变他们对技术的看法，并迅速适应不