在 TensorFlow 2.0 及之后的版本中，默认采用Eager Execution 的方式，不再使用 1.0 版本的 Session 创建会话。Eager Execution 使用更自然地方式组织代码，无需构建计算图，可以立即进行数学计算，简化了代码调试的过程。本文主要介绍 TensorFlow 的基本用法，通过构建一个简单损失函数，介绍 TensorFlow 优化损失函数的过程。

随着计算机硬件的升级与性能的提高，运算量已不再是阻碍深度学习发展的难题。卷积神经网络（Convolution Neural Network，CNN）是深度学习中一项代表性的工作，CNN 是受人脑对图像的理解过程启发而提出的模型，其雏形是 1998 年 LeCun 提出的 LeNet-5 模型。如今，卷积神经网络已被广泛应用于计算机视觉领域。本文主要介绍卷积神经网络中几个基础的运算，包括卷积、池化与

在人工神经网络中，”浅层网络”是指具有一个输入层、一个输出层和最多一个没有循环连接的隐藏层的网络。随着层数的增加，网络的复杂性也在增加。更多的层或循环连接通常会增加网络的深度，并使其能够提供不同级别的数据表示和特征提取，称为“深度学习”。循环神经网络（Recurrent Neural Network, RNN）是一类有监督的机器学习模型，由具有一个或多个反馈回路的人工神经元组成，反馈回路使得网络具

通常来说，增加卷积神经网络的层数有利于提高模型的准确率，但是深层的神经网络也变得难以训练的，因为存在梯度消失与梯度爆炸问题。Microsoft 亚洲研究院的 Kaiming He 等人提出了一个残差学习框架，以简化对 CNN 网络的训练。通过将层重新表述为参考层输入的学习残差函数，深层神经网络变得更容易优化，并且可以从显著增加网络的准确性。本文主要介绍ResNet 残差网络的基本结构（Residu

​本专栏是网易云课堂人工智能课程《神经网络与深度学习》的学习笔记，视频由网易云课堂与 deeplearning.ai 联合出品，主讲人是吴恩达 Andrew Ng 教授。感兴趣的网友可以观看网易云课堂的视频进行深入学习，也欢迎对神经网络与深度学习感兴趣的网友一起交流 ~​

​本专栏是网易云课堂人工智能课程《神经网络与深度学习》的学习笔记，视频由网易云课堂与 deeplearning.ai 联合出品，主讲人是吴恩达 Andrew Ng 教授。感兴趣的网友可以观看网易云课堂的视频进行深入学习，也欢迎对神经网络与深度学习感兴趣的网友一起交流 ~

Xilinx 7 系列器件提供了四类高速串行通信收发器，分别是 GTP、GTX、GTH 和 GTZ，支持 500Mbps 至 28.05 Gbps 传输速率，覆盖不同性能与成本需求。本文主要介绍 Xilinx 7 系列器件高速串行收发器概述、核心架构与时钟设计。

​本专栏是网易云课堂人工智能课程《神经网络与深度学习》的学习笔记，视频由网易云课堂与 deeplearning.ai 联合出品，主讲人是吴恩达 Andrew Ng 教授。感兴趣的网友可以观看网易云课堂的视频进行深入学习，也欢迎对神经网络与深度学习感兴趣的网友一起交流 ~

​本专栏是网易云课堂人工智能课程《神经网络与深度学习》的学习笔记，视频由网易云课堂与 deeplearning.ai 联合出品，主讲人是吴恩达 Andrew Ng 教授。感兴趣的网友可以观看网易云课堂的视频进行深入学习，也欢迎对神经网络与深度学习感兴趣的网友一起交流 ~​

TensorFlow 提供了一些机器学习中常用的数学函数，并封装在 Module 中，例如 tf.nn Module 提供了神经网络常用的基本运算，tf.math Module 则提供了机器学习中常用的数学函数。本文主要介绍 TensorFlow 深度学习中几个常用函数的定义与用法，并给出相应用法示例。