在之前介紹的影象風格遷移中，我們根據內容圖片和風格圖片優化輸入圖片，使得內容損失函式和風格損失函式儘可能小 和DeepDream一樣，屬於網路引數不變，根據損失函式調整輸入資料，因此每生成一張圖片都相當於訓

介紹如何使用Sequence to Sequence Learning（Seq2Seq）實現神經機器翻譯（Neural Machine Translation，NMT） 原理 之前我們通過序列標註模型實

輸入是一張圖片，輸出是一句對圖片進行描述的文字，這就是影象標題生成 基本思路是先通過預訓練的影象分類模型，從某一個卷積層得到原始圖片的表示，或者稱為上下文contexts 例如從VGG19的 conv

關鍵點定位是一類常見而有用的任務，某種意義上可以理解為一種特徵工程 人臉關鍵點定位，可用於人臉識別、表情識別 人體骨骼關鍵點定位，可用於姿態估計 手部關鍵點定位，可用於手勢識別

使用RNN實現歌詞和古詩的自動生成 RNN多用於處理序列資料，通過學習資料上下文之間的關係，可以在給定若干個連續資料點的基礎上，預測下一個可能的資料點 以下是最基礎的RNN公式，當然也可以使用LSTM（

Google 開發者大會 (Google Developer Days，簡稱 GDD) 是展示 Google 最新開發者產品和平臺的全球盛會，旨在幫助你快速開發優質應用，發展和留住活躍使用者群，充分利用各種工

機器之心報道，作者：邱陸陸。 8 月中旬，谷歌大腦成員 Martin Wicke 在一封公開郵件中宣佈，新版本開源框架——TensorFlow 2.0 預覽版將在年底之前正式釋出。今日，在上海谷歌開發者

上一講筆者和大家一起學習瞭如何使用 Tensorflow 構建一個卷積神經網路模型。本節我們將繼續利用 Tensorflow 的便捷性完成 mnist 手寫數字資料集的識別實戰。mnist 資料集是 Yann

Google 開發者大會 (Google Developer Days，簡稱 GDD) 是展示 Google 最新開發者產品和平臺的全球盛會，旨在幫助你快速開發優質應用，發展和留住活躍使用者群，充分利用各種工具

機器之心 翻譯 2018/09/20 15:01 張倩 王淑婷 Geek AI 編譯

介紹CGAN和ACGAN的原理，通過引入額外的Condition來控制生成的圖片，並在DCGAN和WGAN的基礎上進行實現 CGAN原理 樣本x可以包含一些屬性，或者說條件，記作y 例如MNIST中

在DCGAN的基礎上，介紹WGAN的原理和實現，並在LFW和CelebA兩個資料集上進一步實踐 問題 GAN一直面臨以下問題和挑戰 訓練困難，需要精心設計模型結構，並小心協調G和D的訓練程度

用TensorFlow實現一個手部實時檢測器 和Inception-v3通過遷移學習實現定製的圖片分類任務類似 在上節課內容的基礎上，新增手部標註資料，並使用預訓練好的模型完成遷移學習 資料 手

來源：Tensorflow 編譯：Bot 編者按：幾個月前，Tensorflow釋出了一份名為《Quantizing deep convolutional networks for effic

Inception-v3是由Google提出，用於實現ImageNet大規模視覺識別任務（ImageNet Large Visual Recognition Challenge）的一種神經網路