选自arXiv 机器之心编译 参与：Panda 近日，Geoffrey Hinton 那篇备受关注的 capsule 论文终于公开了，这是 Hinton 对未来人工智能形态的新探索，得到了人工智能领域
本文作者Ron Pressler是Parallel Universe公司的创始人，拥有着丰富的高性能开发经验。通过这篇文章，Ron向大家详细介绍了全新的开源JVM部署工具——Capsule。 以下为译文： 现实世界中，应用程序部署过程可能没有想象中的那么简单。应用程序其实非常“敏感”，在部署过程中，它会发现自己身处一个陌生的环境中，并且在与不同硬件、不同基础设施软件，以及陌生的邻居（应用程序）行交互。如果期望应用程序正常地运行，编码和部署过程都是重中之重。两者之间的平衡常常依赖于程序的编写语言、程序构成的运
选自arXiv 作者：Sara Sabour、Nicholas Frosst、Geoffrey Hinton 机器之心编译 Geoffrey Hinton 等人备受关注的 NIPS 2017 论文《Dynamic Routing Between Capsules》已于数小时前公开。 9 月份，Axios 的一篇报道指出，Geoffrey Hinton 呼吁研究者们对反向传播保持怀疑态度，并准备在深度学习之上重构人工智能的理论体系。报道指出，他和其他两位研究者被 NIPS 2017 接收的论文《Dynamic
Geoffrey Hinton 等人备受关注的 NIPS 2017 论文《Dynamic Routing Between Capsules》已于数小时前公开。 9 月份，Axios 的一篇报道指出，Geoffrey Hinton 呼吁研究者们对反向传播保持怀疑态度，并准备在深度学习之上重构人工智能的理论体系。报道指出，他和其他两位研究者被 NIPS 2017 接收的论文《Dynamic Routing Between Capsules》正是 Hinton 对于未来人工智能形态的新探索。 在论文未放出之前，业
Geoffrey Hinton 等人备受关注的 NIPS 2017 论文《Dynamic Routing Between Capsules》已于数小时前公开。
在这个系列的第一部分，我谈到了架构的直观介绍和动机。在这部分，我将描述Capsule是如何在内部运作的。 第一部分：http://www.atyun.com/10006_深入了解Hinton的Caps
夏乙 问耕 编译整理 量子位 出品 | 公众号 QbitAI “我的观点是把它全部抛掉，重头再来。” 今年9月的一次大会上，大神Geoffrey Hinton再次号召展开一次AI革命。 应该向何处去？
机器之心原创 作者：蒋思源 前几天，Sara Sabour 开源了一份 Capsule 代码，该代码是论文 Dynamic Routing between Capsules 中所采用的实现。其实早在去年刚公布此论文，机器之心就曾详解解读过核心思想与基本代码，我们采用的代码也是各研究者尝试复现论文结果的模型。而最近 Sara 开放的代码是标准的官方实现，因此我们希望能解读部分核心代码，并探讨其与 naturomics 等人实现过程的差异。 Sara 实现地址：https://github.com/Sarasr
今年9月的一次大会上，大神Geoffrey Hinton再次号召展开一次AI革命。
【新智元导读】Hinton 上周发表的一篇论文 Dynamic Routing Between Capsules 提出用 Capsule 这个概念代替反向传播，引起广泛关注，大数医达创始人，CMU计算机学院暨机器人研究所博士邓侃用浅显的语言梳理解读了论文。邓侃认为，capsule 作为视觉数学表征，很可能是为了把视觉，听觉、阅读的原本相互独立的数学向量，统一起来，完成多模态机器学习的终极目标。 邓侃也是 AI WORLD 2017 世界人工智能大会智能医疗论坛的讲者，届时他将以《多模态智能疾病诊断系统的四
还记得17年那天傍晚，在校园足球场、夕阳的沐浴下，nango拉着我讲解这篇胶囊……
李林 允中 编译整理 量子位 出品 | 公众号 QbitAI △ Hinton等合写的反向传播论文 1986年，39岁的Geoffrey Hinton与人合写了一篇论文。40年后，这篇论文已经成为推动
【新智元导读】Hinton 提出用 Capsule 这个概念代替反向传播，引起广泛关注。本文来自Reddit上“Capsule networks为何与众不同，它真的比CNN效果更好吗？”的讨论，作者分析了capsule network与CNN不同的三个方面。 首先，capsule 的概念与卷积的概念大部分是独立的。例如，你可以有一个完全连接的capsule网络。但是，它们确实使用了卷积，而且也被与CNN进行比较。但是，我将在接下来解释中抽象出卷积，因为这会分散我们的核心思想。 因为capsule网络与传统的
Capsule8是一家由经验丰富的黑客和安全企业家创建的高新科技初创型企业，总部位于纽约布鲁克林，成立于2016年秋季，在2018年8月获得1500万美元的B轮融资。
在一般的图像识别过程中，模型只是简单地输出图像的类别，而没有输出图像的特征，甚至并不能内在地、完整地表征图像。这导致了在测试中受到对抗攻击时，除非让人进行对比验证，否则根本不知道出了问题；或者直到出了问题，才知道存在对抗攻击。
10月26日，深度学习元老Hinton的NIPS2017 Capsule论文《Dynamic Routing Between Capsules》终于在arxiv上发表。Hinton 之前就一直介绍Ca
本文转载于：https://www.jiqizhixin.com/articles/2017-11-05。如有侵权请告知。
机器之心原创 作者：蒋思源 上周 Geoffrey Hinton 等人公开了那篇备受关注的 NIPS 论文，而后很多研究者与开发者都阅读了该论文并作出了一定的代码实现。机器之心在本文中将详细解释该论文提出的结构与过程，并借助 GitHub 上热烈讨论的项目完成了 CapsNet 的 TensorFlow 实现，并提供了主体架构的代码注释。 本文是机器之心的第三个 GitHub 项目，旨在解释 CapsNet 的网络架构与实现。为了解释 CapsNet，我们将从卷积层与卷积机制开始，从工程实践的角度解释卷积操
【新智元导读】10月26日，深度学习元老Hinton的NIPS2017 Capsule论文《Dynamic Routing Between Capsules》终于在arxiv上发表。今天相关关于这篇论
最近，Hinton老师等提出了胶囊网络, 用神经元向量代替传统神经网络的单个神经元节点，以dynamic routing的方式去训练这种全新的神经网络。
选自Youtube 机器之心编译 参与：黄小天 近日，神经网络之父 Geoffrey Hinton 又奉献了一次精彩的深度学习演讲，地点在多伦多大学，主题是《What is wrong with co
【导读】10月26日，深度学习元老Hinton的NIPS2017 Capsule论文《Dynamic Routing Between Capsules》终于在arxiv上发表。今天相关关于这篇论文的T
金成勳在 GitHub 上梳理出的谱系图如下，小编在此基础上对各个分支网络做了介绍、补充，希望对读者了解网络体系间的关联有所帮助。如有缺陷，欢迎大家留言补充。 Github 项目地址：https://
2 月 7 日，人工智能顶会 AAAI 2020（第 34 届 AAAI 大会）已于美国纽约正式拉开序幕，本届会议将持续到 2 月 12 日结束。受疫情影响，中国大陆约有 800 名学者缺席此次会议，很多中国学者选择远程参会。
选自Axios 机器之心编译 三十多年前，深度学习著名学者 Geoffrey Hinton 参与完成了论文《Experiments on Learning by Back Propagation》，提
本文作为 Laravel ORM 系统的研究开篇，主要对 Laravel ORM 系统的主要功能、依赖的第三方类库、系统的目录结构及对应目录所实现的功能，进行解释说明。 学习完本篇教程，你将会对 Laravel ORM 的结构有个全局观念，并且为后续研究打好基础。
金成勳在 GitHub 上梳理出的谱系图如下（可点击图片放大查看），最后的蓝色字体部分是各分支内的杰出研究成果（附所有论文链接）。机器之心在此基础上对各个分支网络做了介绍、补充，希望对读者了解网络体系间的关联有所帮助。如有缺陷，欢迎大家留言补充。
机器之心整理 参与：蒋思源、李泽南、李亚洲 近几年，深度学习高速发展，出现了大量的新模型与架构，以至于我们无法理清网络类型之间的关系。在这篇文章中，中国香港科技大学（HKUST）助理教授金成勳总结了深度网络类型之间的谱系图，以便于我们索引不同类型网络的杰出研究成果。 金成勳在 GitHub 上梳理出的谱系图如下（点击图片放大查看），最后的蓝色字体部分是各分支内的杰出研究成果（附所有论文链接）。机器之心在此基础上对各个分支网络做了介绍、补充，希望对读者了解网络体系间的关联有所帮助。如有缺陷，欢迎
深度学习在最近几年取得了显著的进展，特别是在计算机视觉、自然语言处理和其他人工智能应用领域。尽管如此，当前的深度学习模型，尤其是卷积神经网络（CNNs）还存在一些局限性。例如，它们往往对输入的微小变化高度敏感，而且对于学习复杂的空间层次结构效率不高。正是为了解决这些问题，胶囊网络（Capsule Networks，CapsNets）应运而生。
当年的神经系统还不如现如今这般流行，所有的研究都只是深度学习，而那时候我们就已经在思考一个问题：深度学习依赖的反向传播算法 (back-prop) 显然是很不容易被人们所接受的，很难相信神经系统能够自动形成与正向传播对应的反向传播结构(这需要精准地求导数，对矩阵转置，利用链式法则，并且解剖学上从来也没有发现这样的系统存在的证据)。 另外一点是，神经系统是有分层的(比如视觉系统有 V1, V2 等等分层)，但是层数不可能像现在的大型神经网络一样动不动就成百上千层(而且生物学上也不支持如此，神经传导速度很慢，不
2017年，CapsuleNet的出现是Hinton大佬对于卷积神经网络等的思考，想去构建一种新的网络结构, 如何克服CNN存在的问题的，那CN网络又存在什么问题：
这是言论的主要出处： Artificial intelligence pioneer says we need to start over（http://t.cn/RpR0Q18） 以及 Fei-Fei Li 在 Twitter 上的评论： Echo Geoff's sentiment no tool is eternal, even backprop or deeplearning. V. important to continue basic research.（http://t.cn/RpFfw5f
在工业界，一个完整的推荐系统中通常包括两个阶段，分别为召回阶段和排序阶段。在召回阶段，根据用户的兴趣从海量的商品中去检索出用户（User）可能感兴趣的候选商品（ Item），满足推荐相关性和多样性需求。在排序阶段，根据不同的目标，如CTR，CVR，时长等对候选出的商品进行打分。目前，对于用户兴趣的建模，通常是从用户的历史行为中挖掘出用户兴趣，以当前的深度学习模型为例，通常是将User的历史行为数据embedding到一个固定长度的向量中，以此表示该用户的兴趣。然而在实际环境中，一个用户的兴趣通常是多样的，使用单一固定长度的embedding向量难以刻画用户兴趣的多样性。Multi-Interest Network with Dynamic routing[1]（MIND）用户多兴趣建模网络取代了原先的单一固定长度embedding向量，取而代之的是用户的多兴趣向量。在MIND中，主要的创新点在于：
这个比赛是一个文本分类的比赛，这个比赛目标是在给定文本中判断是否为恶意评论即01分类。训练数据还给了其他多列特征，包括一些敏感词特征还有一些其他指标评价的得分特征。测试集没有这些额外的特征只有文本数据。
Nick Bourdakos 文 李林 若朴 编译自 HackerNoon 量子位 出品 | 公众号 QbitAI Capsule Networks，或者说CapsNet，这个名字你应该已经听过好几次
01.HarmonyOS4.0 工具安装 — 启航篇 02. 快速上手！HarmonyOS4.0 Image组件详解 03. 快速上手！HarmonyOS4.0 Text/Span组件详解 04. 快速上手！HarmonyOS4.0 布局组件（Column/Row）
上周，Geoffrey Hinton和他的团队发表了两篇论文，介绍了一种基于所谓的capsules(胶囊)的全新类型的神经网络。除此之外，该团队还发布了一种叫做“dynamic routing bet
微信小程序的head一般是开发者通过在app.json来设置统一的样式，又或者在每个页面的json中对对应的页面进行设置
项目地址：https://github.com/ayuayue/php-frame
Convolutional Neural Networks for Sentence Classification (EMNLP 2014)
Dubbo是Alibaba开源的分布式服务框架，它最大的特点是按照分层的方式来架构，使用这种方式可以使各个层之间解耦合（或者最大限度地松耦合）。从服务模型的角度来看，Dubbo采用的是一种非常简单的模型，要么是提供方提供服务，要么是消费方消费服务，所以基于这一点可以抽象出服务提供方（Provider）和服务消费方（Consumer）两个角色。关于注册中心、协议支持、服务监控等内容，详见后面描述。
AI 科技评论按：CapsNet 作者 Sara Sabour 联合 Geoffrey Hinton 及牛津大学研究者在最新的论文《Stacked Capsule Autoencoders》中提出胶囊网络的改进版本，该胶囊网络可以无监督地学习图像中的特征，并取得了最先进的结果。
【新智元导读】Hinton要打造下一代CNN的Capsule细节终于通过一篇论文发布。本文带来详细介绍。此前，Hinton曾讨论了用“capsule”作为下一代CNN的理由。他解释了“标准”的卷积神经网络有什么问题？结构的层次太少，只有神经元、神经网络层、整个神经网络。所以，我们需要把每一层的神经元组合起来，形成一个组，并装到“舱”（capsule）中去，这样一来就能完成大量的内部计算，最终输出一个经过压缩的结果。“舱”（capsule）的灵感来自大脑皮层中的微柱体（mini-column）。Hinton要
下载CI框架并解压到工作目录 配置nginx，并重启nginx -s reload server { charset utf-8; client_max_body_size 128M; listen 80; server_name ci-with-orm.com; root /Users/clive/Workspace/ci_with_orm; index index.php index.html
大数据文摘作品 作者：魏子敏，龙牧雪 “卷积神经网络（CNN）的时代已经过去了！” ——Geoffrey Hinton 酝酿许久，深度学习之父Geoffrey Hinton在10月份发表了备受瞩目的Capsule Networks(CapsNet)。 Hinton本次挟CapsNet而来，大有要用它取代CNN的气势。 今天，有科技媒体发布Capsule Networks(CapsNet)开源的消息，文摘菌激动的去找了找Github链接，发现本次开源非常低调且隐蔽，隐藏在谷歌tensorflow的专题之下，没
最近有很多小伙伴想了解深度学习在文本分类的发展，因此，笔者整理最近几年比较经典的深度文本分类方法，希望帮助小伙伴们了解深度学习在文本分类中的应用。
上篇讲到了数据库Relation的实现，本篇接着讲migrations or database modification logic的功能，此处开始的git是git co aa98553。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
