發(fā)簡信
IP屬地：北京
-
理解Batch Normalization系列4——實(shí)踐（清晰解釋）前面三期都是在學(xué)習(xí)和理解凝化，如果熟悉了頭兩期，這一期的實(shí)踐將變得異常簡單酬荞！ 本期的代碼地址：https://github.com/leichaoc...
-
理解Batch Normalization系列3——為什么有效及11個問題（清晰解釋）前面兩期搓劫，我們了解了原理、訓(xùn)練及評估混巧，然而為什么有效及若干細(xì)節(jié)仍值得討論枪向。 系列目錄 理解Batch Normalization系列1——原理 ...
-
理解Batch Normalization系列2——訓(xùn)練及評估（清晰解釋）上一期介紹了Batch Normalization的前向傳播，然而想法美好咧党，然而能否計算秘蛔、如何計算這些新參數(shù)才是重點(diǎn)。 系列目錄 理解Batch...
-
理解Batch Normalization系列1——原理（清晰解釋）Batch Normalization技巧自從2015年被谷歌提出以來傍衡，因其有效提升網(wǎng)絡(luò)訓(xùn)練效率深员，獲得廣泛應(yīng)用與持續(xù)研究。然而蛙埂，要透徹理解BN卻...
-
數(shù)據(jù)算法工程師常犯的六個錯誤盡管我們對經(jīng)典理論教材能做到人手一冊辨液，如數(shù)家珍，但是在實(shí)際應(yīng)用中箱残，一方面，我們常常會疏忽掉理論，甚至是理論常識被辑；另一方面燎悍，不考慮實(shí)際情況，首先上...
-
圖表示學(xué)習(xí)入門3——圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks）圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network）在社交網(wǎng)絡(luò)盼理、推薦系統(tǒng)谈山、知識圖譜上的效果初見端倪，成為近2年大熱的一個研究熱點(diǎn)宏怔。然而奏路，什么是...
-
圖表示學(xué)習(xí)入門2——Node2Vec《圖表示學(xué)習(xí)入門1》中，討論了為什么要進(jìn)行圖（graph）表示臊诊，以及兩種解決圖表示問題的思路鸽粉。這篇把Node2Vec來作為線性化思路的一個典型來...
-
圖表示學(xué)習(xí)入門1——導(dǎo)言Jure Leskovec的《Graph Representation Learning》可能是迄今（2019年10月）為止最容易理解的圖神經(jīng)網(wǎng)...