神经网络是一种受到生物神经系统启发而设计的计算模型，用于机器学习和人工智能领域。神经网络由大量的人工神经元（模拟生物神经元）组成，这些神经元通过连接权重相互连接，形成网络结构。神经网络的目标是通过学习和调整权重来模拟和解决复杂的问题。
近年来，随着模型尺寸的增加，推理时间和每次推理能耗的相应增加，神经网络向更深的神经网络发展，激活和系数也在增加。这在资源受限的移动和汽车应用中尤为重要。
本文将讨论如何选择神经网络的超参数。
神经网络之父Geoffrey Hinton也曾感叹自己的学术生涯就像神经网络技术一样起起伏伏。但所幸的是，他并没有就此放弃了对神经网络的研究，反而与许多志同道合的研究者们不断突破、证明自己最初的想法。
RNN最大的不同之处就是在层之间的神经元之间也建立的权连接，相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。
在一篇中着核心要素简述了LSTM算法的原理，本篇中将在本人做过一些前置处理的数据集上实现LSTM的一个实际应用案例。
当我们处理与事件发生的时间轴有关系的问题时，比如自然语言处理，文本处理，连续几天的天气状况，语音识别，机器翻译等。在考虑这些和时间轴相关的问题时，传统的神经网络就无能为力了，因此就有了RNN。这里介绍RNN基本原理是为了铺垫我们的重点LSTM网络。
神经网络是深度学习的载体，而神经网络模型中，最经典非RNN模型所属，尽管它不完美，但它具有学习历史信息的能力。
4月10日下午，上海交通大学携手Science杂志发布了“新125个科学问题”——《125个科学问题：探索与发现》。
全面地介绍了关于大数据的 75 个核心术语，这不仅是大数据初学者很好的入门资料，对于高阶从业人员也可以起到查漏补缺的作用。本文为下篇（50 个术语）。
深度学习神经网络模型中的量化是指浮点数用定点数来表示，也就是在DSP技术中常说的Q格式。神经网络模型在训练时都是浮点运算的，得到的模型参数也是浮点的。