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。
关于深度卷积神经网络的前世今生，就不在此处进行过多的介绍。在此，主要对网络的各个组成部分进行简要介绍。深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。
常见的生成式模型有：线性判别式分析 (Linear Discriminant Analysis)、朴素贝叶斯 (Native Bayesian)、K近邻 (KNN)、混合高斯模型 (GaussianMixture Model)、隐马尔科夫模型 (HiddenMarkov Model)、贝叶斯网络 (Bayesian Networks)......
如今说起汽车行业的网红代表，“自动驾驶”当之无愧。从自动驾驶概念推出以来，行业大佬们都跃跃欲试，各种自动驾驶生态圈层出不穷，自动驾驶也必然是未来汽车科技发展的趋势。但到底什么是自动驾驶，不同级别的自动驾驶分别能实现什么样的自动化水平，在开发自动驾驶系统时如何正确定义级别？
从诞生以来，人工智能理论和技术日益成熟，应用领域也不断扩大。
到底人工智能是什么？学人工智能必看哪些书籍？简单来说，人工智能就是研究如何让计算机去完成以往需要人的智力才能胜任的工作，通过生产能像人类一样做出智能反应的智能机器，来代替人类从事一些脑力或体力劳动。
本文简要地对遗传算法进行阐述，让以前没有接触过遗传算法的人有个大概的认识，并了解遗传算法的工作原理
尽管对云游戏领域的投资和市场关注度都很高，但到2020年，全球个人掌机、PC或移动设备的云游戏付费玩家用户数量不会超过1000万。
深度学习和机器学习已经变得无处不在，那它们之间到底有什么区别呢？本文我们为大家总结了深度学习VS机器学习的六大本质区别。