我们在第一部分讨论胶囊网络时提到过神经网络(cnn)对纹理很敏感，而不够关心位置和形状信息，这里是David收集的更多的讨论和参考文献，希望对你们有帮助：
1. 研究人员证明神经网络的物体检测有多脆弱，以及一些对抗样本例子：Machine Learning Confronts the Elephant in the Room
2. 实验证明数据增强不能把神经网络的泛化能力提高到人类的水平：Generalisation in humans and deep neural networks
3. 一些非常相似的图片足以迷惑神经网络， 继续阅读为什么神经网络(cnn)关心纹理，而不关心位置和形状信息？整理一些解释和参考文献
人类强大的“脑补”和“移情”能力，可能需要AI很久才能跟上 — David 9
前不久四年一度的ACM联合大会在美国亚利桑那州召开，包括今年图灵奖的主深度学习奠基人Hinton和LeCun也各自发表了演讲。Hinton更偏重深度学习的历史进展和神经网络本身底层的未来，LeCun演讲更关注上层解释和应用。Hinton和LeCun的演讲主题是“深度学习革命”：
这里David总结下面5点思考，帮助学习交流：
1. 符号型AI VS. 非符号型AI（深度学习），谁才是对的？
从AI历史说起，Hinton一上来就提到两种AI派别：符号型AI（symbolic）和非符号型AI（non-symbolic）。事实上这两个派别已涉及到哲学领域。
符号型AI学派认为所谓“智能”是需要推理（reasoning）和逻辑（logic）指导的, 没有前后因果的“智能”简直就是耍流氓。我们能分得清猫和老虎是因为我们大脑中其实有复杂逻辑判别（虽然你不自知）
而Hinton所支持的非符号AI学派（如深度学习）认为，我们应该专注学习和感知，没有因果推理没关系，只要神经网络切实地工作并学到东西即可。通过神经连接学习也可以判断猫和老虎。
虽然，目前非符号AI学派看似有压倒性优势（符号AI的地盘已经不多，包括自然语言和逻辑推理领域），但是，David的观点是，无论是哪一派，都绕不开所谓的“自由意志”这个点（或者至少让AI自认为有自由意志），没有人证明通过感知的堆叠可以更接近自由意志，也没有人证明抛开因果推理我们人类依旧可以成为“自由意志”的智人。
另外，未来计算机体系结构的变化可能直接影响未来AI的发展方向，我们不知道未来的边缘计算，分布式计算哪怕是5G会给符号型AI什么契机，所以，你们可以冷静地思考一下，而不是盲目拥抱深度学习
2. 反向传播会是未来吗？ 继续阅读David9划重点：对Hinton和LeCun在ACM联合大会演讲的5点思考，深度学习的未来，底层和上层
Numpy无疑是入门数据科学或深度学习几乎必学的工具，感谢网友和David一起翻译改编了这篇blog帮助大家对numpy闪电入门和整理：
使用numpy包的时候一般是从下面这句代码开始的：
import numpy as np
####创建数组
使用np.array()函数，这个函数的参数可以是列表，来创建一个nunpy数组：
还可以通过其他的方式创建数组，并初始化。比如说ones(), zeros(), random.random()：
一旦我们创建了数组，我们就可以对它们进行操作了。
####数组操作
首先创建两个数组，并将它们分别命名为data, ones:
将两个数组相加，它这个操作会对对应位置的数组元素进行相加并赋值到新的数组：
不仅仅可以进行加法操作，还可以进行其他的运算：
我们还可以进行数组和标量之间的运算，这种形式叫做广播：
如果要快速合并两个数组（或矩阵），vstack和hstack是很好的工具，
vstack是以”行”的方式合并，hstack是以”列”的方式合并：
还可以同时合并多个array或矩阵: 继续阅读看图闪电入门Numpy，Numpy数据结构，David9的np.array日常