深度学习

说到正则化大家应该都不陌生，这个在机器学习和深度学习中都是非常常见的，常用的正则化有L1正则化和L2正则化。提到正则化大家就会想到是它会将权重添加到损失函数计算中来降低模型过拟合的程度。了解更多一点的同学还会说，L1正则化会让模型的权重参数稀疏化(部分权重的值为0)，L2正则化会让模型的权重有趋于0的偏好。

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。

本文将探讨2019年对人工智能将意味着什么。在2019年，算法无处不在，但人工智能技术尚稚嫩，在数据云中的整合还很不成熟，它只是一个渠道。深度学习和机器人技术仍处于初期阶段。

在人工智能深度学习技术中，有一个很重要的概念就是卷积神经网络 CNN（Convolutional Neural Networks）。

现在深度学习有多么热门，我就不强调了，总之你能想象到的领域，在未来都可能应用到深度学习，非常值钱。更重要的是，“深度学习”算法包含精妙的思想，能够代表这个时代的精神。

一般而言，比较成功的神经网络需要大量的参数，许许多多的神经网路的参数都是数以百万计，而使得这些参数可以正确工作则需要大量的数据进行训练，而实际情况中数据并没有我们想象中的那么多。

作为机器学习从业者，你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程，大多数和使用 python 库进行深度学习有关。

人工智能（AI）和机器学习（ML）在当下的火热程度我就不多说了，但是真正懂这方面的人又有多少呢？本文将带你了解人工智能和机器学习的基本知识。同时，你也会了解到机器学习中最火的方法——深度学习的工作原理。

机器学习的主要任务：分类（classification）：将实例数据划分到合适的类别中。回归（regression）：主要用于预测数值型数据。机器学习可以分为三种形式：监督学习、非监督学习、强化学习。

今天介绍一种新的GPU多卡计算的通信优化算法——Ring Allreduce。先来讲一下常规的GPU多卡分布式计算的原理。