经典深度神经网络架构解析——VGG，科学家发布了一个惊人的理论:宇宙可能是一个巨大的神经网络，也正是因为这种简单而微小的卷积核结构，VGG成为当代网络中最经典的深度神经网络。首先，论文在摘要中指出，本文报告了一系列关于卷积神经网络(CNN)的实验，这些实验基于预先训练的词向量，用于句子级分类任务。
1、论文阅读(42
人类区别于基于模型学习的计算机视觉算法的一个特征是，人类可以获取关于世界的知识，并利用这些知识对视觉世界进行推理。人类可以理解物体的特征及其关系，从而学习各种视觉概念，通常只需要几个例子。本文研究了结构化先验知识在知识图谱中的应用，表明利用这种知识可以提高图像分类的性能。基于我们最近在图端到端学习方面的工作，我们引入GraphSearchNeuralNetwork作为一种有效的方法来将大型知识地图合并到视觉分类管道中。
(a) GSNN()作为一种方法，将潜在的大知识图谱融合到端到端的学习系统中，对于大图是计算可行的；(b)使用噪声知识图进行图像分类的框架；(c)解释我们的图像分类的能力。使用传播模型。我们的方法明显优于多标签分类的基线。将GGNN应用于图像任务的最大问题是计算的可扩展性。
2、【自然语言处理】CNN在NLP文本分类任务上的经典之作——TextCNN
全文链接:用于句子分类的卷积神经网络学术范式继2012年深度学习和卷积神经网络成为图像任务的明星之后，2014年TextCNN在全球诞生，成为CNN在NLP文本分类任务中的经典之作。TextCNN的目的是将CNN在图像领域的成果复制到自然语言处理的NLP任务中。
当时，它挑战了文本分类的领导者SVM的地位。虽然当时TextCNN模型的效果并没有完全超越SVM，但是CNN的热潮让TextCNN受到了极大的追捧，成为了NLP文本分类任务的经典模型。首先，论文在摘要中指出，本文报告了一系列关于卷积神经网络(CNN)的实验，这些实验基于预先训练的词向量，用于句子级分类任务。
3、论文笔记|通过DMCNN实现事件抽取
本文主要复述论文1。论文题目:人工智能教育机器人控制系统的开发关键词:人工智能；人形机器人；摘要:控制系统:面对人工智能普及教育的迫切需求，本文以仿人机器人教具为载体，开发了机器人控制系统，包括总体方案、整机操作控制器、舵机及控制器、机器人摄像头、语音控制模块、遥控模块和电源模块，以及选型配置原则和流程。该控制系统应用于仿人机器人套件，可实现机器人运动控制、语音控制等功能，为人工智能教育的普及提供了具体实例。
文章引用:尹、杨哲海、PG One、金鑫、王、刘美佳、、、。人工智能教育机器人控制系统开发，在公司做了两天PM实践，主要是自学一些CV知识，从而了解产品在解决图像识别和图像搜索的一些问题。主要学习方式是在国内搜索近三年的计算机视觉和物体识别6.7博士学位。由于时间关系，我们会继续更新图片相似度计算中的学习结果(为了搜索图片)，在这里总结一下这两天的学习结果。你会看到计算机视觉解决具体物体识别问题的基本过程和原理(主要是卷积神经网络CNN)，但这里不会深入到技术实现层面。
4、经典深度神经网络架构解析-VGG,ResNet,Inception
深度神经网络的抽象是基于这样一个事实，即我们可以通过一个合适的神经网络架构来构造一个通用的函数逼近，这样我们就可以从输入样本空间映射到目标样本空间。这个听起来很简单的任务，在实际建造过程中需要大量的计算和时间来完成模型测试和迭代。由于迁移学习的可行性，我们可以利用现有的在特定分类任务中表现良好的框架来完成相似甚至完全不相关的任务。
与之前的经典网络结构相比，VGGNet最突出的特点是使用了大量的3×3的小卷积核(部分架构也采用1×1)，卷积前后用samepadding保持W和H。Featuremap的缩放完全由2×2的maxpooling层完成，基本上所有卷积神经网络的卷积核都采用3×3的大小。正是因为这种简单而小巧的卷积核结构，VGG成为当代网络中最经典的深度神经网络。
5、科学家发布惊人理论:宇宙可能是一个巨大的神经网络,真是活的?
宇宙可能是一个巨大的神经网络这一观点已经在民间流行多年。随着人类对宇宙认识的深入，未来还会有更荒诞的想法。然而最近，来自明尼苏达大学德卢斯分校的物理学教授VitalyVanchurin在接受一家媒体采访时发布了一个惊人的理论，称宇宙可能是一个最基本层面的神经网络，而这就是我们周围世界的实际工作方式。
之所以神奇，是因为很少有科学家敢如此大胆地发表这样的研究。毕竟，宇宙是一个神经网络，通常被认为是科幻小说或民间科学的一个类别。科学家说出来不正经。范秋林的核心思想很简单。整个宇宙中每一个可观测的物体都可以用神经网络来建模，也就是说广义上来说，宇宙本身可能就是一个神经网络。在适当的限制下，宇宙神经网络的动力学完全可以用发展中的量子力学和广义相对论来近似。
6、经典卷积神经网络简介之【AlexNet】
Paper Transfer:用DeepGlobal神经网络进行ImageNet分类自从1998年LeNet5被提出后，时隔14年，AlexNet出现了，并在2012年的ImageNet比赛中获得冠军，也就是从那以后，更多更好的网络陆续被提出。论文的第一作者是来自多伦多大学的AlexKrizhevsky，所以网络名为AlexNet。
在测试集上，top1的错误率为37.5%，top5的错误率为17.0%，超过了之前最好的网络。网络有600万个参数，65万个神经元，5个卷积层，3个全连接层，输出1000个类别，为了防止过拟合，作者采用了数据扩展和剔除正则化方法，实验结果表明该方法非常有效。为了加快训练速度，作者使用了两个并行的GPU同时操作特征图。