学习王喆老师的深度学习推荐系统第3章学习深度学习推荐模型的演化流程了解模型改进的一般方式改变深度神经网络的复杂程度特征交叉模型组合深度学习模型总结一、与传统机器学习模型相比，深度学习模型的优势1、表达能力更强能够挖掘出更多数据中潜藏的模式2、结构非常灵活能够根据业务场景和数据特点，灵活调整模型结构，使模型与应用场景完美契合深度学习推荐模型的演化关系图：改变神经网络的复杂程度代表模型：AutoRec

在深度学习被广泛用于NLP之前，文本分类任务的常见pipeline为：（1）人工/半自动特征抽取：包括one-hot编码、countfeatures、TF-IDF、词性/句法信息等等（2）分类器的构造：包括LR、NB、SVM、Xgboost及模型融合在DNN模型应用于语言模型大获成功，进而提出各类词向量（如word2vector、fasttext、glove）后，一个自然而然的问题就是：**如何表

CS229机器学习课程-2017（秋）最新课程分享2017年10月04日12:47:13扫描头像关注公众号获取更多干货阅读数：6683标签：思维导图神经网络深度学习机器学习人工智能更多个人分类：深度学习深度学习模型汇总深度学习视频教程及资料下载深度学习实战深度学习与

1、卷积神经网络CNN从神经学角度来说，卷积神经网络的设计灵感来自人脑视觉皮层对外界事物的感知，人眼以图像的形式把感知到的事物传递给大脑，大脑童工逐层的对该图像进行抽象，抽取出图像的边角等代表图像的高维特征给大脑作出准确的判断。CNN的两个核心操作：卷积和池化.卷积：主要作用是抽取特征，是网络具有一定转移不变性，也有一定降维作用。一般设定一个3*3或5*5的卷积窗口，采用relu激活函数，对输入X

本文整理了Tensorflow、Pytorch等开源深度学习模型，可以非常方便供用户调用。比如Pytorch仅需一行代码(torch.hub.load())调用ResNet,ResNext,BERT,GPT,PGAN,Tacotron,DenseNet,MobileNet等最新模型。推荐给大家使用。PyTorchHub链接：https://pytorch.org/hub/research-mode