Sipeed k210 RISC-V AI+lOT ESP32视觉听觉开发套装的开发环境搭建。

本文作者 Cassie Kozyrkov 对该演讲进行了总结，概括出关于 TensorFlow 的九件事。机器之心对本文进行了编译介绍，希望对大家有所帮助。

本书⾯向希望了解深度学习，特别是对实际使⽤深度学习感兴趣的⼤学⽣、⼯程师和研究⼈员。本书并不要求你有任何深度学习或者机器学习的背景知识，我们将从头开始解释每⼀个概念。虽然深度学习技术与应⽤的阐述涉及了数学和编程，但你只需了解基础的数学和编程，例如基础的线性代数、微分和概率，以及基础的 Python 编程。

全中文教学的快手上手指南，基于Keras和Eager Execution（动态图）模式，北大学霸出品，获得TensorFlow官方认可。

百分点认知智能实验室在实践探索中，通过利用自然语言处理技术获取结构化的信息抽取能力，探索出了一套行业知识图谱构建流程方法。尤其是基于深度迁移学习，帮助构建法律百科词条、公安文本知识图谱等行业项目中，在实体抽取、关系抽取、事件抽取等方面都取得了理想的实践效果。本文将从概念辨析、技术路径、实践总结，由虚到实、由浅入深引导大家理性看待知识图谱技术的能与不能，以更好地在实践中运筹帷幄。

本文将对KG中的一些概念作更为详细的介绍。

勘智K210采用RISC-V处理器架构，具备视听一体、自主IP核与可编程能力强三大特点，支持机器视觉与机器听觉多模态识别，可广泛应用于智能家居、智能园区、智能能耗和智能农业等场景。

随着深度学习的飞速发展，已经创建了完整的神经网络体系结构主机，以解决各种各样的任务和问题。 尽管有无数的神经网络架构，但对于任何深度学习工程师来说，这里有11种必不可少的知识，它们分为四大类：标准网络，递归网络，卷积网络和自动编码器。

NVIDIA®JetsonNano™开发套件是适用于制造商，学习者和开发人员的小型AI计算机。相比Jetson其他系列的开发板，官方报价只要99美金，可谓是相当有性价比。

回顾过去， AI极大流派如同做过山车一样起起伏伏，我们曾经崇拜符号主义忽略连接主义，现在正好反过来， 那么， 这样的历史是会不断的重演， 这样的螺线向上的S曲线还会重复， 抑或是我们已经进入了一个完全不同的新纪元？

英伟达的深度学习推理引擎TensorRT是连接神经网络框架与GPU之间的桥梁，它支持所有种类的神经网络框架，近期也实现了容器化，目前的TensorRT是5.1版。6月17日，英伟达宣布了TensorRT的开源。

本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。

本书第一部分基本上都基于Scikit-Learn，而第二部分则基于TensorFlow。

本书通过精心排的实例切入日常工作任务摒弃学术化语言利用高效可复用的Python 代码阐释如何处理统计数据进行数据分析及可视化。读者可从中学到一些核心的机器学习算法并将其运用于某些策略性任务中如分类、预测及推荐等。

这本书主要揭示神经网络背后的概念，并介绍如何通过Python实现神经网络。

本文收集了大量基于 PyTorch 实现的代码链接，其中有适用于深度学习新手的“入门指导系列”，也有适用于老司机的论文代码实现，包括 Attention Based CNN、A3C、WGAN等等。所有代码均按照所属技术领域分类，包括机器视觉/图像相关、自然语言处理相关、强化学习相关等等。

tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个非常重要方法。

本文使用Tensorflow构建卷积神经网络（CNN）进行图像分类。并没有使用MNIST数据集，而是使用了真实的图片文件，并且教程代码包含了模型的保存、加载等功能。

在做TensorFlow案例时发现好多的图片数据集都是处理好的，直接在库中调用的。比如Mnist，CIFAR-10等等。但是在自己项目中如何去读取自己的数据集呢？