档案 | 深度学习

推荐系统通过推荐符合个人偏好或需求的物品（如产品、服务或内容），来增强互联网应用的用户体验。这些系统被广泛应用于电子商务、旅游和娱乐等多个领域，它们能够激发用户参与度、提高客户忠诚度，并最终有助于提升客户满意度和在零售等特定领域的收入[…]

当你拟合一个深度学习神经网络模型后，你必须在测试数据集上评估其性能。这一点至关重要，因为所报告的性能可以让你在候选模型之间做出选择，并向利益相关者传达该模型在解决问题方面的表现。Keras 深度学习 API 模型[…]

一旦你在 Keras 中选择并拟合了一个最终的深度学习模型，你就可以用它来对新的数据实例进行预测。初学者对于如何具体操作存在一些困惑。我经常看到类似这样的问题：我该如何在 Keras 中使用我的模型进行预测？在本教程中，你将[…]

人工神经网络的权重必须初始化为小的随机数。这是因为用于训练模型的随机优化算法——随机梯度下降法，有这样的要求。要理解这种解决问题的方法，你必须首先理解非确定性算法和随机算法的作用，以及[…]

哪种神经网络适合你的预测建模问题？对于深度学习领域的新手来说，可能很难知道该使用哪种类型的网络。有太多类型的网络可供选择，而且每天都有新的方法被发表和讨论。更糟糕的是，大多数[…]

随机梯度下降是一种具有多个超参数的学习算法。其中两个经常让初学者感到困惑的超参数是批次大小（batch size）和周期数（number of epochs）。它们都是整数值，并且似乎做着同样的事情。在这篇文章中，你将发现随机梯度下降中批次和周期的区别。[…]

当你处理与图像相关的机器学习问题时，你不仅需要收集一些图像作为训练数据，还需要采用增强技术来创建图像的变体。对于更复杂的物体识别问题尤其如此。图像增强的方法有很多。你可能[…]

在使用神经网络和深度学习模型时，数据准备是必需的。在更复杂的物体识别任务上，数据增强也变得越来越必要。在这篇文章中，你将发现在使用 Python 和 Keras 开发和评估深度学习模型时，如何对你的图像数据集进行数据准备和数据增强。在学习之后[…]

损失指标对于神经网络非常重要。由于所有机器学习模型都是某种形式的优化问题，损失就是需要最小化的目标函数。在神经网络中，优化是通过梯度下降和反向传播完成的。但是，什么是损失函数，它们如何影响你的神经网络呢？在这篇文章中[…]

卷积神经网络在计算机视觉应用中取得了成功。人们提出了各种网络架构，它们既不神秘，也不难理解。在本教程中，你将了解卷积层的运作方式及其在更大的卷积神经网络中的作用。完成本教程后，你将学到：如何[…]