0x01 前言ABB机器人在自动化生产中应用极广，本系列教程旨在教会大家如何入门ABB机器人，了解ABB机器人坐标位等基础知识、示教器的使用等仿真、结合C#端开发上位机程序等。

本文介绍自动编码器，目的在于了解自动编码器的工作原理，对两个神经网络协同工作有个初步印象，以便引入后续的GAN对抗神经网络。

前面我们实现了前馈神经网络的前向传播，即输入层开始，通过逐层传播计算，最终计算出输出层结果。这篇文章介绍的是怎么通过链式求导法则来进行反向传播更新权重参数，以及通过计算图来更加直观地求偏导

1. 介绍sklearn的make_regression函数能生成回归样本数据。2. 函数语法3. 参数说明：n_samples：样本数n_features：特征数(自变量个数)n_informative：参与建模特征数n_targets：因变量个数noise：噪音bias：偏差(截距)coef：是否输出coef标识random_state：随机状态若为固定值则每次产生的数据都一样

0x00 前沿当服务器CPU、内存负载过高，承受不住用户访问量，或者我们需要考虑灾容性的时候，就可以进行分布式负载均衡部署。即把用户访问请求分发到内网的多台服务器上，进行处理并返回处理结果。0x01 系统结构图来个直观的印象，如下图所示，Nginx服务器使用作为网关（以及Redis服务器），将请求转发到后台的其中一台Web服务器，Web服务器操作同一个数据库，NAS作为文件共享。0x02 Sees

本文分析了全连接层存在的局限性，然后引出卷积的思想方法，介绍了如何进行卷积、池化计算，提取特征。学习了卷积神经网络，就可以用神经网络高效地进行图像处理，比如说用于人脸识别、图片清晰化、风格迁移等。【目录】一、前言 二、全连接层的局限性 三、卷积层 3.1 如何进行卷积运算？ 3.2 偏置 3.3 填充 3.4 步长 3.5 卷积运算是如何保留图片特征的？ 3.6 三维卷积 3.7 多种特征提取 四

一、前言二、网络结构三、可解释性四、记忆主线五、遗忘门六、输入门七、输出门八、手写数字识别实战8.1 引入依赖库8.2 加载数据8.3 迭代训练8.4 数据验证九、参考资料基本的RNN存在梯度消失和梯度爆炸问题，会忘记它在较长序列中以前看到的内容，只具有短时记忆。得到比较广泛应用的是LSTM（Long Short Term Memory）——长短期记忆网络，它在一定程度上解决了这两个问题。

根据上一篇文章《机器学习 单元线性回归》中的推理，单变量线性回归问题变成了求θ0、θ1两个变量的值，使得代价函数J(θ0,θ1)最小。梯度下降是一个用来求函数最小值的算法，我们将使用梯度下降算法来求出代价函数J(θ0,θ1)的最小值.........

前面介绍了感知器，类似于单个神经元细胞，现在我们用多个感知器组合成更加复杂的神经网络。本文介绍了多层神经网络通过前向传播方法，逐层计算出最终结果值的过程。

本文主要介绍图的一些基础知识，不会太深奥，够用就行。我们以民国最出名的七角恋人物关系图为例进行讲解。