这篇文章是我根据个人的一些理解来写的，后续如果发现有错误，我会在新文章说出来，但这篇文章不做保留，方便后续检查思考记录的时候知道到底怎么踩坑的。

实际上，在某种程度上看，他们的客户并没有太疯狂。假设你可以使用某种特殊的逻辑门，它让你对任意多的输入做AND运算。同样也能使用多输入的NAND门——可以对多个输入做AND运算并取负的门。有了这类特殊的门，构建出来的两层深度的电路可以计算任何函数。

神经网络是准确的，但无法解释;在计算机视觉中，决策树是可解释的，但不准确。可解释性AI(XAI)试图弥合这一分歧，但正如下面所解释的那样，“XAI在不直接解释模型的情况下证明了决策的合理性”。

想要优化自己的神经网络，却不知道哪种优化器更适合自己？现在，最全面的优化算法分析来了。

酷安上曝光了努比亚Z50Ultra手机壳。Z50Ultra似乎有一颗硕大的影像模组，相机区域跟边框极为接近，暗示努比亚Z50Ultra影像会有大幅提升。努比亚Z50Ultra会搭载高通第二代骁

目录 1、总体流程 2、代码实现 下载数据集 确定激活函数、损失函数、计算梯度函数等 神经网络的搭建 模型的训练与验证  测试模型的泛化能力 1、总体流程 step1：下载数据集、读取数据 step2：搭建神经网络（确定输出层、隐藏层（层数）、输出层的结构） step3：初始化偏置和权重 step4：设置损失函数、激活函数 step5：设置超参数 step6：神经网络训练数据（通过误差反向传播求导、学习） step7：测试验证数据集（确定Loss、精确度） ste

模型的训练、调参是一项非常费时费力的工作，了解神经网络内部的数学原理有利于快速找出问题所在。本文作者从零开始，一步一步讲解了训练神经网络时所用到的数学过程。

如今提及人工智能，大家期待的一定是某种可以“学习”的方法，这种方法使用数学模型从数据中获取模式的某种表示。在众多“学习”方法中，获得最多关注，承载最多期望的非“神经网络”莫属。既然我们将这种数学方法称作神经网络，那么他必然和广泛存在于生物体内的神经网络存在某种联系。让我们考察一个典型的神经连接。

人工智能总是给人一种很高大上的感觉。但凡是为人服务的东西，我们都应该搞清楚他的意义和价值。这一篇极简版的《人工智能史》

近日，DeepMind 发布一份新研究(这一方法不同于之前提出的 PathNet)，宣称实现了神经网络的连续学习(Continual Learning)，让计算机程序可以不忘记之前学习过的内容并渐进式地学习新内容。

对于各种卷积神经网络模型的实现，本文将介绍它们的 PyTorch 实现，非常有用！