KDnuggets热门深度学习工具排行：Pylearn2 居首，Caffe第三 发表于2015-07-08 17:44| 次阅读| 来源kdnuggets| 1 条评论| 作者Ran Bi 深度学习deep l

深度学习的前沿正转向高性能计算 在对话中，吴博士谈到，计算能力的提升和可获得的数据的增加是深度学习的两个关键驱动因素。机器学习的很多进步都是受到计算能力和数据的驱动，吴博士认为深度学习的前沿

net/article/2015-07-07/2825150 在深度学习（Deep Learning）的热潮下，Caffe作为一个高效、实用的深度学习框架受到了广泛的关注。了解Caffe研发的背景、愿景、技术特色、路线图及其开发

开发者都会用到，所有 AI 应用产生的基础——深度学习开发框架。 在这个普通人很陌生的领域，中国科技公司和万千开发者，正在一点点刷新着中国科技的存在感。 被忽略的深度学习框架 芯片为什么重要？原因在于

CNTK，是微软去年开源的 深度学习框架 。 作为语音识别领域声名卓著的开发工具，Microsoft Cognitive Toolkit 具有相当不错的可扩展性、速度和精确性。在海量数据上开发深度学习应用，它具备

都说深度学习的兴起和大数据息息相关，那么是不是数据集越大，训练出的图像识别算法准确率就越高呢？ Google的研究人员用3亿张图的内部数据集做了实验，然后写了篇论文。他们指出，在深度模型中，视觉任

Neural Compute Stick (NCS)，即神经元计算棒。 换言之，这是一个可以为机器的深度学习“加血”并提供本地化代码运行支持的产品。 新的 NCS 基于 Fathom NCS 开发而来，后者由

Android 端下载量最大的播客类应用。 CastBox 与其他播客 App 最大的不同是基于机器学习的个性化内容推荐 在手机上，每年都有许多新播客 App 上线，播客本身也并非今年才流行起来的新概念。为什么

容，也需要自然语言处理模型将对图像的理解转换成正确顺序的文字。近期，深度学习方法在该问题的多个示例上获得了顶尖结果。 深度学习方法在字幕生成问题上展现了顶尖的结果。这些方法最令人印象深刻的地方：给

SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution

GitHub ），此举在深度学习领域影响巨大，因为Google在人工智能领域的研发成绩斐然，有着雄厚的人才储备，而且Google自己的Gmail和搜索引擎都在使用自行研发的深度学习工具。 无疑，来自

导读：在纽约大学，Yann LuCun等学者将深度学习带上巅峰的同时，Gary Marcus，Brenden Lake，Ned Block等学者已为后深度学习时代的人工智能打下坚实的地基。期待后深度学习时代的人工智能从大脑、

上，华为诺亚方舟实验室报告的基于深度学习的多模态匹配模型在图像与自然语句的双向检索的任务上，提出了深度学习研究及应用的一个新方向。 图像与文本的理解一直是人工智能中最为重要的研究方向之一。近年来，随着深度学习的广泛应用

本文是腾讯深度学习系列文章的第三篇，聚焦于腾讯深度学习平台Mariana中深度卷积神经网络Deep CNNs的多GPU模型并行和数据并行框架。 将深度卷积神经网络（Convolutional Neural

Python实现基于GPU的一些深度学习算法实现，包括 Feed-forward Neural Nets Restricted Boltzmann Machines Deep Belief Nets Autoencoders

Minerva: 一个快速和灵活的工具用于深度学习。它提供了ndarray 编程接口，就像 Numpy。拥有Python和C++绑定可用。其结果代码能够运行在 CPU 或 GPU 上。 Multi-GPU

libdnn 是一个轻量、好读、人性化的深度学习函式库。由 C++ 和 CUDA 撰写而成，目的是让开发人员、研究人员、或任何有兴趣的人都可以轻鬆体验并驾驭深层学习所带来的威力。 特色 轻量、好读、人性化

百度分布式深度学习平台Paddle宣布开源，支持Python、C++和SWIG，支持多机数据并行的深度学习模型训练，并提供了Sequence to Sequence模型的Demo。 还记得百度内部

近几年深度学习的概念非常火，我们很幸运赶上并见证了这一波大潮的兴起。记得2012年之前提及深度学习，大部分人并不熟悉，而之后一段时间里，也有些人仍旧持怀疑的态度，觉得这一波浪潮或许与之前sparse

人脑神经网络 神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向–深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。 本文以一种简单的