往期回顾在上一篇文章中，我们已经掌握了机器学习的基本套路，对模型、目标函数、优化算法这些概念有了一定程度的理解，而且已经会训练单个的感知器或者线性单元了。在这篇文章中，我们将把这些单独的单元按照一定的规则相互连接在一起形成神经网络，从而奇迹般的获得了强大的学习能力。我们还将介绍这种网络的训练算法：反向传播算法。最后，我们依然用代码实现一个神经网络。如果您能坚持到本文的结尾，将会看到我们用自己实现.

算法概述算法分类十种常见排序算法可以分为两大类：比较类排序：通过比较来决定元素间的相对次数，由于其时间复杂度不能突破O(nlog⁡n)O(n \log n)O(nlogn)，因此也称为非线性时间比较类排序。非比较类排序：不通过比较来决定元素间的相对次序，它可以突破基于比较排序的时间下界，以线性时间运行，因此也称为线性时间非比较类排序。算法复杂度在面试中面试官一般会重点查考时间复杂度为O(n*log

在人工智能上花一年时间，这足以让人相信上帝的存在。−艾伦·佩利深度学习已经被广泛地应用在医疗、生物、金融等各行各业中，并且被部署到网络端、移动端等各种平台上。前面我们在介绍算法时，使用的数据集大部份为常用的经典数据集，可以通过 TensorFlow 几行代码即可完成数据集的下载、加载以及预处理工作，大大地提升了算法的研究效率。在实际应用中，针对于不同的应用场景，算法的数据集也各不相同。那么针...

第四章 Tensorflow基础4.1 数据类型4.1.1 数值类型4.1.2 字符串类型4.1.3 布尔类型4.2 数值精度4.2.1 读取精度4.2.2 类型转换4.3 待优化张量4.4 创建张量4.4.1 从 Numpy, List 对象创建4.4.2 创建全 0，全 1 张量4.4.3 创建自定义数值张量4.4.4 创建已知分布的张量4.4.5 创建序列4.5 张量的典型应用4.5.1 标

第二章 回归问题第2章 回归问题2.1 神经元模型2.2 优化方法2.3 线性模型实战2.4 线性回归第2章 回归问题有些人担心人工智能会让人类觉得自卑，但是实际上，即使是看到一朵花，我们也应该或多或少感到一些自愧不如。−艾伦·凯2.1 神经元模型成年人大脑中包含了约 1000 亿个神经元，每个神经元通过树突获取输入信号，通过轴突传递输出信号，神经元之间相互连接构成了巨大的神经网络，从而形成了人脑

我不能创造的事物，我就还没有完全理解它。−理查德·費曼在生成对抗网络(Generative Adversarial Network，简称 GAN)发明之前，变分自编码器被认为是理论完备，实现简单，使用神经网络训练起来很稳定，生成的图片逼近度也较高，但是人眼还是可以很轻易地分辨出真实图片与机器生成的图片。2014 年，Université de Montréal 大学 Yoshua Beng...

目前用下来字节、阿里云、付费的硅基比较稳定，DeepSeek R1 是真便宜，各家定价基本都在8元到16元每百万 token，简单对话消耗在 100 token 左右，特别复杂的在 1000 token 左右，百万 token 能回答几千到上万次…互联网大厂都开始免费提供了 DeepSeek 满血 R1 API 的服务了，注册就送百万 token，我昨晚挨个注册了个遍，每一家的羊毛都薅上…

假设机器学习是一个蛋糕，强化学习是蛋糕上的樱桃，监督学习是外面的糖衣，无监督学习则是蛋糕本体。—Yann LeCun前面我们介绍了在给出样本及其的标签的情况下，神经网络如何学习的算法，这类算法需要学习的是在给定样本????下的条件概率????(????|????)。在社交网络蓬勃发展的今天，获取海量的样本数据????，如照片、语音、文本等，是相对容易的，但困难的是获取这些数据所对应的标签信息，例如

在人工智能上花一年时间，这足以让人相信上帝的存在。−艾伦·佩利深度学习已经被广泛地应用在医疗、生物、金融等各行各业中，并且被部署到网络端、移动端等各种平台上。前面我们在介绍算法时，使用的数据集大部份为常用的经典数据集，可以通过 TensorFlow 几行代码即可完成数据集的下载、加载以及预处理工作，大大地提升了算法的研究效率。在实际应用中，针对于不同的应用场景，算法的数据集也各不相同。那么针...

最近因为导师接到了一个关于人脸识别的开发项目，需要我们去寻找一些开源的可以二次开发的人脸识别程序。(说白了就是想白嫖，直接调用人家的接口不香吗，可是那得花钱)，这时候就在看到网友推荐的SeetaFace开源的人脸识别的代码。下面分几个章节介绍下。简介SeetaFace Engine是一个开源的人脸识别引擎（官网：Github），由中科院计算所 山世光 研究员带领的人脸识别研究组研发。它的特点主..