归档

2026

18 / 03 当我输入 hello 后，Agent 做了什么？
17 / 03 11 结论和致谢（Conclusion and Thank You）
17 / 03 10 触发字检测（Trigger Word Detection）
17 / 03 09 语音识别（Speech Recognition）
17 / 03 08 注意力模型（Attention Model）
17 / 03 07 注意力模型直观理解（Attention Model Intuition）
17 / 03 06 BLEU 得分（Bleu Score）
17 / 03 05 集束搜索误差分析
17 / 03 04 改进集束搜索（Refinements to Beam Search）
17 / 03 03 集束搜索（Beam Search）
17 / 03 02 选择最可能的句子（Picking the Most Likely Sentence）
17 / 03 01 基础模型（Basic Models）
17 / 03 10 词嵌入除偏（Debiasing Word Embeddings）
17 / 03 09 情感分类（Sentiment Classification）
17 / 03 08 GloVe 词向量（GloVe Word Vectors）
17 / 03 07 负采样（Negative Sampling）
17 / 03 06 Word2Vec
17 / 03 05 学习词嵌入（Learning Word Embeddings）
17 / 03 04 嵌入矩阵（Embedding Matrix）
17 / 03 03 词嵌入的特性（Properties of Word Embeddings）
17 / 03 02 使用词嵌入（Using Word Embeddings）
17 / 03 01 词汇表征（Word Representation）
08 / 03 12 深层循环神经网络（Deep RNNs）
08 / 03 11双向循环神经网络（Bidirectional RNN, Bi-RNN）
08 / 03 10 长短期记忆网络（LSTM）
08 / 03 09 GRU（门控循环单元，Gated Recurrent Unit）
08 / 03 08 循环神经网络（RNN）梯度消失问题
08 / 03 07 新序列采样（Sampling novel sequences）
08 / 03 06 使用循环神经网络（RNN）构建语言模型
08 / 03 05 不同类型的循环神经网络（Different types of RNNs）
08 / 03 04 通过时间的反向传播（Backpropagation Through Time, BPTT）
08 / 03 03 循环神经网络模型（Recurrent Neural Network Model）
08 / 03 02 数学符号（Notation）
08 / 03 01 为什么选择序列模型？（Why Sequence Models?）
01 / 03 揭秘微信“快捷登录”：为什么你不用扫码就能直接登录？
08 / 02 11 一维到三维推广（1D and 3D generalizations of models）
08 / 02 10 风格损失函数（Style Cost Function）
08 / 02 09 内容代价函数（Content Cost Function）
08 / 02 08 代价函数（Cost function）
08 / 02 07 CNN特征可视化（What are deep ConvNets learning?）
08 / 02 06 神经风格迁移
08 / 02 05 人脸验证与二分类
08 / 02 04 Triplet 损失
08 / 02 03 Siamese 网络（用于人脸识别）
08 / 02 02 One-Shot Learning（一次性学习）
08 / 02 01 什么是人脸识别？（What is face recognition?）
07 / 02 10 候选区域（Region Proposals, Optional）
07 / 02 09 YOLO 算法（Putting it together： YOLO algorithm）
07 / 02 08 Anchor Boxes（锚框）
07 / 02 07 非极大值抑制（Non-Max Suppression, NMS）
07 / 02 06 交并比（Intersection over Union, IoU）
07 / 02 05 Bounding Box预测（YOLO算法基础）
07 / 02 04 滑动窗口的卷积实现（Convolutional Implementation of Sliding Windows）
07 / 02 03 目标检测（Object Detection）
07 / 02 02 特征点检测
06 / 02 01 目标定位（Object Localization）
26 / 01 09 计算机视觉现状（The state of computer vision）
26 / 01 08 数据增强（Data Augmentation）
26 / 01 07 迁移学习（Transfer Learning）
26 / 01 06 Inception 网络
26 / 01 05 谷歌 Inception 网络简介（Inception network motivation）
26 / 01 04 网络中的网络（Network in Network, NiN）
21 / 01 03 残差网络（ResNets）——深度神经网络的突破
21 / 01 02 经典神经网络（Classic Networks）
21 / 01 01 为什么要进行实例探究？（Why look at case studies?）
18 / 01 11 为什么使用卷积？（Why Convolutions?）
18 / 01 10 卷积神经网络（CNN）示例
18 / 01 09 池化层（Pooling Layers）
18 / 01 08 简单卷积网络示例
18 / 01 07 单层卷积神经网络
18 / 01 06 三维卷积（Convolutions over Volumes）
18 / 01 05 带步长的卷积（Strided Convolutions）
18 / 01 04 卷积操作中的 Padding（填充）
18 / 01 03 边缘检测（Edge Detection）
18 / 01 02 边缘检测示例（Edge Detection Example）
18 / 01 01 计算机视觉（Computer vision）
18 / 01 10 是否使用端到端深度学习（Whether to use end-to-end learning?）
18 / 01 09 端到端深度学习（End-to-End Deep Learning）
18 / 01 08 多任务学习（Multi-task Learning）
18 / 01 07 迁移学习（Transfer Learning）
18 / 01 06 处理数据不匹配问题（Addressing Data Mismatch）
18 / 01 05 数据分布不匹配时的偏差与方差分析（Bias and Variance with Mismatched Data Distributions）
18 / 01 04 使用来自不同分布的数据进行训练和测试（Training and testing on different distributions）
18 / 01 03 快速搭建你的第一个系统，并进行迭代
18 / 01 02 清除标注错误的数据（Cleaning up Incorrectly Labeled Data）
18 / 01 01 进行误差分析（Carrying out error analysis）
11 / 01 09 可避免偏差（Avoidable Bias）
11 / 01 12 改善你的模型的表现（Improving your model performance）
11 / 01 11 超越人类水平表现（Surpassing Human-Level Performance）
11 / 01 10 理解人类水平表现（Understanding human-level performance）
11 / 01 08 为什么关注“人类水平表现”？（Why Human-Level Performance?）
11 / 01 07 何时应改变开发、测试集和评估指标（When to change dev、test sets and metrics）
11 / 01 06 开发集和测试集的大小（Size of dev and test sets）
11 / 01 05 训练集、开发集、测试集划分（Train、Dev、Test Distributions）
11 / 01 04 满足指标（Satisficing Metrics）与优化指标（Optimizing Metrics）
11 / 01 03 单一数字评估指标（Single Number Evaluation Metric）
11 / 01 02 正交化（Orthogonalization）
11 / 01 01 为什么是ML策略？（Why ML Strategy?）
06 / 01 35 TensorFlow 基础与自动微分机制
06 / 01 34 深度学习框架（Deep Learning Frameworks）的价值与选择标准
06 / 01 33 训练一个使用了 Softmax 的分类器
06 / 01 32 Softmax 回归
06 / 01 31 测试时的 Batch Normalization（Batch Norm at Test Time）
06 / 01 30 Batch Normalization 为何有效？
06 / 01 29 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a Neural Network）
06 / 01 28 归一化网络的激活函数（Normalizing activations in a network）
06 / 01 27 超参数调优的两种策略 —— “熊猫方式” vs. “鱼子酱方式”
06 / 01 26 为超参数选择合适的采样尺度（Scale）
06 / 01 25 超参数调试（Hyperparameter Tuning）
06 / 01 24 深度学习中的优化挑战 —— 局部最优 vs 鞍点 vs 平稳段
06 / 01 23 学习率衰减（Learning Rate Decay）
02 / 01 22 Adam 优化算法（Adam Optimization Algorithm）
02 / 01 21 RMSprop（Root Mean Square Propagation）优化算法
02 / 01 20 动量梯度下降法（Gradient Descent with Momentum）
02 / 01 19 指数加权平均中的偏差修正（Bias Correction in Exponentially Weighted Averages）
02 / 01 18 了解指数加权平均
02 / 01 17 指数加权平均（Exponentially Weighted Averages）
02 / 01 16 了解小批量梯度下降法
02 / 01 15 优化算法 —— Mini-batch Gradient Descent（小批量梯度下降）
02 / 01 约书亚·本吉奥访谈
02 / 01 14 梯度检查（Gradient Checking）实现要点
02 / 01 13 梯度检查（Gradient Checking）
02 / 01 12 梯度的数值近似（Numerical Approximation of Gradients）
02 / 01 11 深度神经网络的权重初始化（Weight Initialization for Deep Networks）
02 / 01 10 梯度消失与梯度爆炸问题（Vanishing ／ Exploding Gradients）
02 / 01 09 输入归一化（Normalizing Inputs）
02 / 01 08 神经网络中的其他正则化方法
02 / 01 07 了解 Drop out

2025

27 / 12 06 Dropout 正则化
27 / 12 05 为什么正则化能减少过拟合？
27 / 12 04 神经网络中的正则化（Regularization in Neural Networks）
27 / 12 03 机器学习基本配方（Basic Recipe for Machine Learning）
27 / 12 02 Bias（偏差）与 Variance（方差）
26 / 12 01 训练集（Train）、开发集（Dev）和测试集（Test）
25 / 12 39 神经网络与大脑关系
25 / 12 38 参数（Parameters）与超参数（Hyperparameters）
25 / 12 37 前向传播与反向传播
25 / 12 36 深度神经网络构建模块（Building Blocks of Deep Neural Networks）
25 / 12 35 为什么深度表示（Deep Representations）有效？
25 / 12 34 正确设置矩阵维度
25 / 12 33 深度神经网络中的前向传播（Forward Propagation in a Deep Network）
25 / 12 32 深度L层神经网络
25 / 12 伊恩·古德费洛访谈
22 / 12 31 神经网络中的随机初始化（Random Initialization）
22 / 12 30 反向传播直觉（Backpropagation Intuition）
22 / 12 29 单隐藏层神经网络的梯度下降（Gradient Descent for Neural Networks）
22 / 12 28 神经网络中激活函数的导数（Derivatives of Activation Functions）
22 / 12 27 为什么神经网络必须使用非线性激活函数？
22 / 12 26 神经网络中的激活函数（Activation Functions）
18 / 12 25 神经网络中的向量化实现（Vectorized Implementation）
18 / 12 24 多样本向量化（Vectorizing Across Multiple Examples）
18 / 12 23 计算神经网络的输出
18 / 12 22 神经网络结构概述
18 / 12 21 神经网络概述
16 / 12 20 逻辑回归代价函数详解
16 / 12 19 避免 NumPy 中的“秩1数组”（Rank-1 Array）陷阱
16 / 12 18 Python 中的广播机制（Broadcasting in Python）
16 / 12 17 向量化逻辑回归的梯度计算（Vectorizing Logistic Regression's Gradient Computation）
09 / 12 16 向量化逻辑回归（Vectorizing Logistic Regression）
09 / 12 15 更多向量化示例（More Vectorization Examples）
09 / 12 14 向量化（Vectorization）
08 / 12 dL／dz 的推导
08 / 12 13 在 m 个样本上执行梯度下降（Gradient Descent on m Examples）
08 / 12 12 逻辑回归的梯度下降（Gradient Descent for Logistic Regression）
08 / 12 11 使用计算图求导（Derivatives with a Computation Graph）
08 / 12 10 计算图（Computation Graph）
08 / 12 09 导数（Derivatives）的直观理解与实例
08 / 12 08 导数的直观理解（Intuition about Derivatives）
08 / 12 07 梯度下降（Gradient Descent）
03 / 12 06 逻辑回归成本函数
03 / 12 05 逻辑回归
02 / 12 04 神经网络编程基础 — 二元分类（Binary Classification）
02 / 12 杰弗里·辛顿深度访谈
02 / 12 03 为什么深度学习现在才真正起飞？
02 / 12 03 为什么深度学习现在才真正起飞？
02 / 12 02 监督学习与神经网络
02 / 12 01 什么是神经网络？
01 / 08 JavaScript 引擎基础：Shapes 和 Inline Caches
09 / 03 从代码实现方式优化性能
01 / 03 复现 musicforprogramming.net 的音乐可视化效果
20 / 01 一图搞懂 Unit8Array ImageData Blob

2024

2023

21 / 09 浏览器底层运行原理
12 / 09 如何缩小js代码
11 / 09 前端路由
04 / 09 前端调试通关
01 / 09 React typescript cheatsheet
31 / 08 四种移除事件监听的方式
29 / 08 现代浏览器架构
29 / 08 现代浏览器架构
27 / 08 React中海量数据加载
26 / 08 React Hooks
25 / 08 Higher-order component
24 / 08 React “Key”
24 / 08 React Hook 和 setInterval一起使用的问题
23 / 08 React element，children，parents and re-renders
22 / 08 高性能的JavaScript
22 / 08 材质贴图属性介绍
19 / 08 齐次坐标到底是什么
19 / 08 齐次坐标到底是什么
18 / 08 第十四章：Ray tracing2 加速结构、辐射度量学
18 / 08 第十六章：Ray tracing4 蒙特卡洛路径追踪
18 / 08 第十八章：高级光线传播
18 / 08 第十五章：Ray tracing 3 光线传播和全局光照
18 / 08 第十二章：Mesh细分、光线追踪
18 / 08 第十九章：相机、透镜、光场
18 / 08 第十三章：Ray tracing 1 基础光线追踪算法
18 / 08 第十七章：材质与外观
18 / 08 第十一章：显示几何，曲线、曲面
18 / 08 第二十章：颜色和感知
18 / 08 第二十二章：动画和仿真
18 / 08 第二十一章：Animation、Simulation
16 / 08 第十章：纹理应用、几何
10 / 08 第九章：重心坐标、纹理
22 / 07 第八章：着色模型
16 / 07 第七章：z-buffer和着色
01 / 07 第六章：反走样与深度缓冲
26 / 05 第五章：光栅化
10 / 05 第四章：三维变换
03 / 05 性能优化的一般性原则
01 / 04 第三章：变换
16 / 03 第一、二章：图形学概述、向量与线性代数
05 / 03 前端性能优化方法
05 / 03 前端性能优化方法

2022

22 / 11 设计一个拦截器

2021

2020