demi的博客

Dropout是在《ImageNet Classification with Deep Convolutional》这篇论文里提出来为了防止神经网络的过拟合。它的主要思想是让隐藏层的节点在每次迭代时(包括正向和反向传播)有一定几率(keep-prob)失效。

谣言止于智者，谣言止于科学。本文从科学的角度带你去了解5G为什么对人类几乎是安全的。在追求真理的过程中，我们应该依靠的是科学证据，而不是恐惧和意识形态来决定事物是否应该存在与发展这个问题。

Physically-based rendering (PBR) 说起来是令人兴奋的，如果不负责任的说，它是未来实时渲染的趋势。 这个术语经常被人提及， 也让人产生疑惑：具体到底是个什么鬼呢。

没有什么比做预测更难的了，研究人员根据过去12个月所发生的事情，安全领域专家的知识和对APT攻击的观察研究，对未来做出如下预测。

卷积层(Convolutional layer)主要是用一个采样器从输入数据中采集关键数据内容；池化层(Pooling layer)则是对卷积层结果的压缩得到更加重要的特征，同时还能有效控制过拟合。

人工智能技术作为人类的一项发明创造，本身具备了一定的创造力。无论是专利法治实践还是理论研究均无法否认，在弱人工智能时代，人工智能技术兼具发明创造工具和发明创造方案的提供者的双重身份。

盖斯特汽车战略咨询指出，目前，自动驾驶汽车处于不断发展的状态，包括特斯拉、大众和沃尔沃在内的众多汽车公司，以及苹果和谷歌在内的科技巨头都投入了巨额资金，为自动驾驶技术的实际道路应用努力奋斗。近日，一份调查为读者奉上有关前沿移动技术的一些答案。

分享：Unity3d纹理压缩格式表

之前我们介绍了RNN 网络结构以及其所遇到的问题 ，RNN 结构对于关联度太长的时序问题可能无法处理，简单来说，RNN对于太久远的信息不能有效地储存，为了解决这个问题，有人提出了LSTM的网络结构，LSTM 网络结构最早是由 Hochreiter & Schmidhuber 在1997 年提出的，随着后来研究者的不断改进，LSTM网络在很多问题上都有非常好的表现，并且得到广泛的关注与应用。

LSTM 网络

LSTM 结构的一个优势在于可以很好的解决 “long-term dependency” 的问题，”长期记忆”是LSTM结构与生俱来的特性，而不需要刻意地去学习。

所有的RNN结构都是有一个不断重复的模块，在标准的RNN结构中，这个不断重复的模块是一个单层的tanh , 如下图所示：

Long Short Term Memory Networks (LSTMs) 最近获得越来越多的关注，与传统的前向神经网络 (feedforward network)不同，LSTM 可以对之前的输入有选择的记忆，从而有助于判断当前的输入， LSTM的这一特点在处理时序相关的输入时，有着很大的优势。