焦外成像的美：30张Bokeh照片欣赏
2024年04月18日
选自DeepMind
机器之心编译
近日，DeepMind在其官方博客上发表了一篇题为《Interpreting Deep Neural Networks using Cognitive Psychology》的文章，试图通过认知心理学来解决深度神经网络中的「黑箱问题」，随着神经网络被广泛应用于实际事例，这一问题正变得越发重要；并且在已被ICML收录的DeepMind最新论文《Cognitive Psychology for Deep Neural Networks: A Shape Bias Case Study》中，其证明了认知心理学工具能够揭示DNN背后隐藏的计算特性，同时也为人类学习语言提供了一种计算模型。机器之心对博客文章和论文摘要进行了编译。原文链接见文中。
2024年04月18日
人工神经网络(ANN)由许多相互连接的神经元组成:
每个神经元接受一些浮点数(例如1.0、0.5、-1.0)，并将它们乘以一些称为权重的其他浮点数（例如0.7,0.6,1.4）（1.0 * 0.7 = 0.7,0.5 * 0.6 = 0.3， -1.0 * 1.4 = -1.4）。权重作为一种机制，用于关注或忽略某些输入。然后将加权输入(例如0.7 + 0.3 + -1.4 = -0.4)和偏差值(例如-0.4 + -0.1 = -0.5)相加。
2024年04月18日
训练深度神经网络很困难。它需要知识和经验才能正确地训练和获得最佳模型。在这篇文章中，我想分享我在深度神经网络训练中学到的知识。以下提示和技巧可能对您的研究有益，可以帮助您加速网络架构或参数搜索。
1）在开始构建网络体系结构之前，首先需要做的是，如果输入（x）对应于标签（y），则将输入数据验证到网络中。在密集预测的情况下，确保将ground-truth标签（y）正确编码为标签索引（或one-hot编码）。如果没有，训练将无效。
2024年04月18日
近日，英特尔的研究者提出新型深度神经网络压缩技术 DeepThin，适合移动端设备，性能优于其他压缩技术。
论文：DeepThin: A Self-Compressing Library for Deep Neural Networks
2024年04月18日
1新智元编译
题目：使用基于能量的概率估计的深度有向生成模型（Deep Directed Generative Models with Energy-Based Probability Estimation）
作者：加拿大蒙特利尔大学 Taesup Kim、Yoshua Bengio
2024年04月18日
新智元报道
深度神经网络在容量（capacity）足够的情况下，能够对任意复杂函数进行表征，因此也被称为通用的函数逼近器（universal approximators）。不仅如此，最近的工作表明，深度神经网络的表达能力（expressiveness）随着深度呈指数增长。
2024年04月18日
机器之心报道
编辑：力元
两种基于深度神经网络的新方法，均可成功求解 PDE，并且能够以更快的速度、更简单的方式建模复杂的系统。有趣的是，和大多神经网络一样，我们猜不透它们为什么如此优秀。