发简信
IP属地：北京
-
理解Batch Normalization系列4——实践（清晰解释）前面三期都是在学习和理解，如果熟悉了头两期，这一期的实践将变得异常简单！ 本期的代码地址：https://github.com/leichaoc...
-
理解Batch Normalization系列3——为什么有效及11个问题（清晰解释）前面两期，我们了解了原理、训练及评估，然而为什么有效及若干细节仍值得讨论。 系列目录 理解Batch Normalization系列1——原理 ...
-
理解Batch Normalization系列2——训练及评估（清晰解释）上一期介绍了Batch Normalization的前向传播，然而想法美好，然而能否计算、如何计算这些新参数才是重点。 系列目录 理解Batch...
-
理解Batch Normalization系列1——原理（清晰解释）Batch Normalization技巧自从2015年被谷歌提出以来，因其有效提升网络训练效率，获得广泛应用与持续研究。然而，要透彻理解BN却...
-
数据算法工程师常犯的六个错误尽管我们对经典理论教材能做到人手一册，如数家珍，但是在实际应用中，一方面，我们常常会疏忽掉理论，甚至是理论常识；另一方面，不考虑实际情况，首先上...
-
图表示学习入门3——图神经网络（Graph Neural Networks）图神经网络（Graph Neural Network）在社交网络、推荐系统、知识图谱上的效果初见端倪，成为近2年大热的一个研究热点。然而，什么是...
-
图表示学习入门2——Node2Vec《图表示学习入门1》中，讨论了为什么要进行图（graph）表示，以及两种解决图表示问题的思路。这篇把Node2Vec来作为线性化思路的一个典型来...
-
图表示学习入门1——导言Jure Leskovec的《Graph Representation Learning》可能是迄今（2019年10月）为止最容易理解的图神经网...