奇虎 360 今日宣布开源深度学习调度平台 XLearning，项目开源地址： https://github.com/Qihoo360/XLearning 。 XLearning 由 360 系统

微软和亚马逊 AWS 合作推出了新的 深度学习库 Gluon ，开发者可以通过 Gluon 开发和训练复杂的机器学习模型，Gluon 还内置了一系列优化过的神经网络组件。 微软解释说：“开发者开发神经网络通常是

Vasilev是一名具有创业精神的高级开发人员。他的经验范围跨越多个领域和技术，但他的主要焦点在Java、JavaScript及机器学习上。 近些年来，人工智能重新兴起。它已超出学术领域范畴， Google、Microsoft和F

有许多人分析过深度学习重要性以及它是怎样风靡世界的，我十分赞同他们的说法。研究/应用深度学习时使我感觉自己最像个魔术师，我清楚地知道在未来的三年里，任何一个伟大的软件都将被深度学习所驱动。然而，深度学习目前还

2015年11月9日谷歌开源了人工智能系统TensorFlow，同时成为2015年最受关注的开源项目之一。TensorFlow的开源大大降低了深度学习在各个行业中的应用难度。TensorFlow的近期里程碑事件主要有：

，这个算法就是深度学习（Deep Learning）的相关理论。 特斯拉自动驾驶、Face++人脸识别、Apple Siri、谷歌翻译……这些我们所耳熟能详的创举，其实皆为深度学习的成功应用场景。

介绍一种利用深度神经网络来实现的端到端的验证码识别方法。通过本方法，可以在不切割图片、不做模板匹配的情况下实现精度超过90%的识别结果。 本文分为两个部分，第一个部分介绍如何利用深度神经网络实现验

在深度学习项目开始前，选择一个合适的框架是非常重要的事情。最近，来自数据科学公司 Silicon Valley Data Science 的数据工程师 Matt Rubashkin（UC Berkeley

程度上解放了DL建模同学的生产力。但是，DL领域的建模技术突飞猛进，模型复杂度也不断增加。从模型的深度来看，以图像识别领域为例，12年的经典模型AlexNet由5个卷积层，3个全连接层构成（图1），在

人，指明一条全面的Python学习路径。这条路径提供了用Python进行数据分 析的必要步骤的一个全面概述。如果你已经有了一些基础，或者不需要所有的内容，可以随意调整学习路径以适合自己，并让我们知道你是怎么改动的。

Caffe深度学习计算框架，并开源公布所有代码，为深度学习的用户提供了更便捷、更高效的应用手段。 CNN：最接近人脑思维的算法 深度学习（Deep Learning）是近年来机器学习领域的热点

VPR在美国波士顿召开，会议邀请了Facebook人工智能实验室主任、NYU数据科学中心创始人、深度学习界的泰斗 Yann LeCun 做了题为“What's Wrong with Deep Learning

数据呢？ 将深度学习与拓扑数据分析结合在一起完全能够达到此目的，并且还绰绰有余。 1、它能在几分钟内创建一张数据图，其中每一个点都是一个数据项或一组类似的数据项。 基于数据项的相关性和学习模式，系

日，谷歌通过博客正式发布了 TensorFlow Fold，该库针对 TensorFlow 1.0 框架量身打造，可以帮助深度学习开发者根据不同结构的输入数据建立动态的计算图（Dynamic Computation Graph

开源新秀 ”报告，显示了在过去一年中在多个领域的全新 top 开源项目。涉及到的领域有：区块链、数据库、深度学习、SDN、容器、网络安全和教育。 1、区块链 ——Sawtooth Lake Sawtooth

2015-2016 的机器学习平台开源大潮中，美国是当之无愧的引领者：无论是谷歌、亚马逊、微软、IBM 等互联网巨头，还是美国各大科研院所，为开源世界贡献了品类繁多的机器学习工具。这其中不乏华人的身影，比如开发出

在 F8 年度开发者大会上，Facebook 发布了一款全新的开源深度学习框架 Caffe2。按照官网介绍，它的最大特点就是轻量、模块化和可扩展性，即一次编码，到处运行（和 Java 的宣传语类似）。说得更直白一点，就是

化论者所鄙视的途径——从海量数据中学习概率的方式——解决了。 从此你无需把问题编码成可运行的格式，更不依赖人自身解决问题的技巧——从目标分类和语音识别到图片标注和合成特定艺术家风格的图像，甚至指导

们印象深刻的部分。该套算法利用人工智能技术在照片中制作出视觉热度 图。像 MemNet 等这样的深度学习算法通过人类训练的方式达到完成复杂解析的目的，并且随着不断的累积，它还会变的更加“聪明”，也能够开始执行需要人类才能完成的任务，

所有这些“识别”都源自于一种被称为深度学习的人工智能技术。但就在这种技术被大肆炒作的几年时间中，来自微软研究院的一项新实验证明这只是人工智能的开始——深度学习还可以更深度。 深层神经网络的突破：152个层级