主页

转载自端傳媒《边缘化的六四论述：八九春夏，其实发生的是“两场运动”》，作者：吉汉 对于六四运动的深入理解，需要我们同时跳出这两种叙事：既告别“知识分子中心论”、重视工人和市民的参与，同时承认“民主”的确是工人和市民参与运动的核心诉求。最关键的是，工人与市民所理解的“民主”，和学生、知识分子所拥抱的民主观念有很大不同。 1989年5月18日，工人在北京街道以电单车游行声援天安门广场绝食的学生。摄：Catherine Henriette/AFP/Getty Images 关于六四运动的历史叙事，比较常见的是两种版本。其中最为主流的版本，当然是把运动放在“民主vs威权”的框架下来理解。这一叙事中的“民主”，往往指的是自由主义意义上的民主。80年代，中共逐渐告别“阶级斗争”...

该文为慕课网《3小时速成 Vue2.x 核心技术》的学习笔记，讲师 wayearn 前言 Vue.js 是一个用于创建用户界面的开源 JavaScript 框架，也是一个创建单页面应用的Web应用框架。Vue 所关注的核心是 MVC 模式中的视图层，同时，它也能方便地获取数据更新，并通过组件内部特定的方法实现视图与模型的交互。 俗话说“工欲善其事，必先利其器”，我们首先配置一下 Vue 的开发环境： 开发环境 (IDE)：WebStorm 或 VS Code Node 开发环境：Node.js 和 包管理工具npm 推荐通过 nvm 来安装和管理 Node 环境。安装好 NVM 后，通过 nvm ls 和 nvm ls-remot...

机器学习的四个分支 在《Keras深度学习笔记(三)：神经网络入门》的例子中，我们已经介绍了三种类型的机器学习问题：二分类问题、多分类问题和标量回归问题。这三者都是监督学习 (supervised learning) 的例子，其目标是学习训练输入与训练目标之间的关系。 机器学习算法大致可分为四大类，将在接下来的四小节中依次介绍。 监督学习 监督学习是最常见的机器学习类型。给定一组样本，它可以学会将输入数据映射到已知目标。 监督学习主要包括分类和回归，但还有许多变体，比如： 序列生成 (sequence generation)。给定一张图像，预测描述图像的文字。 语法树预测 (syntax tree prediction)。给定一个句子，预测其分解生成的语法树。 ...

本文转载自《从变分编码、信息瓶颈到正态分布：论遗忘的重要性》，作者：苏剑林 这是一篇“散文”，我们来谈一下有着千丝万缕联系的三个东西：变分自编码器、信息瓶颈、正态分布。 众所周知，变分自编码器是一个很经典的生成模型，但实际上它有着超越生成模型的含义；而对于信息瓶颈，大家也许相对陌生一些，然而事实上信息瓶颈在去年也热闹了一阵子；至于正态分布，那就不用说了，它几乎跟所有机器学习领域都有或多或少的联系。 那么，当它们三个碰撞在一块时，又有什么样的故事可说呢？它们跟“遗忘”又有什么关系呢？ 变分自编码器 理论形式回顾 简单来说，VAE 的优化目标是： \[\begin{equation}KL(\tilde{p}(x)p(z\mid x)\Vert q(z)q(x\mid z))...

本文将进一步介绍神经网络的核心组件，即层、网络、目标函数和优化器。并且通过三个介绍性示例深入讲解如何使用神经网络解决实际问题，这三个示例分别是： 将电影评论划分为正面或负面（二分类问题） 将新闻按主题分类（多分类问题） 根据房地产数据估算房屋价格（回归问题） 神经网络剖析 训练神经网络主要围绕以下四个方面： 层，多个层组合成网络（或模型）。 输入数据和相应的目标。 损失函数，即用于学习的反馈信号。 优化器，决定学习过程如何进行。 你可以将这四者的关系可视化，如下图所示：多个层链接在一起组成了网络，将输入数据映射为预测值。然后损失函数将这些预测值与目标进行比较，得到损失值，用于衡量网络预测值与预期结果的匹配程度。优化器使用这个损失值来更新网络...

要理解深度学习，需要熟悉张量、张量运算、微分、梯度下降等数学概念，本文将使用通俗的语言介绍这些概念。首先给出一个神经网络的示例，引出张量和梯度下降的概念，然后逐个详细介绍。 读完本章后，你会对神经网络的工作原理有一个直观的理解，然后就可以学习神经网络的实际应用了。 初识神经网络 我们来看一个使用 Keras 库构建神经网络来学习手写数字分类的例子，将手写数字的灰度图像（28×28 像素）划分到 10 个类别中（0~9）。 这里我们使用经典的 MNIST 数据集，它包含 60,000 张训练图像和 10,000 张测试图像，下图给出了 MNIST 数据集的一些样本。 在机器学习中，分类问题中的某个类别叫作类 (class)。数据点叫作样本 (sample)。某个样本对...

转载自《变分自编码器（一）：原来是这么一回事》，作者：苏剑林，更新于 2020-06-17 通常我们会拿 VAE 跟 GAN 比较，的确，它们两个的目标基本是一致的——希望构建一个从隐变量 $Z$ 生成目标数据 $X$ 的模型，但是实现上有所不同。更准确地讲，它们是假设了 $Z$ 服从某些常见的分布（比如正态分布或均匀分布），然后希望训练一个模型 $X=g(Z)$，这个模型能够将原来的概率分布映射到训练集的概率分布，也就是说，它们的目的都是进行分布之间的变换。 生成模型的难题就是判断生成分布与真实分布的相似度，因为我们只知道两者的采样结果，不知道它们的分布表达式 那现在假设 $Z$ 服从标准的正态分布，那么我就可以从中采样得到若干个 $Z_1, Z_2, \dots, Z_...

最近几年，人工智能被媒体大肆炒作，我们的未来被渲染成可怕的景象：人类的工作将十分稀少，大部分经济活动都由机器人来完成。但对于机器学习从业者来说，重要的是能够在过度炒作的新闻稿中发现改变世界的重大进展。 本文将介绍关于人工智能、机器学习以及深度学习的背景。 人工智能、机器学习与深度学习 人工智能、机器学习与深度学习之间的关系可以用下图来表示： 人工智能 人工智能诞生于 20 世纪 50 年代，当时少数计算机科学的先驱开始探索“计算机是否能够思考”的问题。人工智能的简洁定义如下：努力将通常由人类完成的智力任务自动化。因此，人工智能是一个综合性的领域，不仅包括机器学习与深度学习，还包括更多不涉及学习的方法。 从 20 世纪 50 年代到 80 年代末，许多专家相信只要人工精心...