自己吹得牛逼，硬着头皮也要实现
Vicarious是和Deepmind对标的以强人工智能为目标的美国AI新兴公司。有意思的是，虽然融了上亿美元，除了工业机器人，Vicarious并没有像Deepmind的AlphaGo类似接地气的夺目产品。之前饱受争议，终于在近期公开的递归皮质网络RCN还被LeCun痛批了一回。RCN号称攻破了人类的CAPTCHA验证码自动识别，达到了神经网络300倍的数据利用率：
首先我们来看一下Yann LeCun早在2013年批评的理由： 继续阅读聊一聊Vicarious发表在Science的那篇生成视觉模型，被LeCun痛批的递归皮质网络RCN
有时候，读读工程类的文章，虽然简单，但是能看到别人踩过的坑用过的tricks，也是挺有意思。NVIDIA不久前放出的协同过滤新标杆DeepRecommender 以Netfix 2009年的netflixprize竞赛数据为基准，使用基于自编码器的协同过滤，准确率比普通模型都高。
netflixprize竞赛目标非常简单，预测一个用户对一部影片评分的可能值（Netflix要推荐用户最感兴趣的影片来赚钱，不是吗？）事实上，评价竞赛分数的loss函数也很简单，是一个均方误差：
ri是真实评分，yi是模型预测评分，mi是一个外加的mask控制项，如果真实评分ri=0，那mi=0，否则mi就可以等于1. 继续阅读DeepRecommender：基于自编码器的协同过滤(Collaborative Filtering)，英伟达论文选读及其pytorch实现
多融合和标准化的网络是深度架构未来的可见趋势 — David 9
Inception深度网络架构已经走过4个版本，AI的空前热潮，让业内期待新网络架构的心情如同当年期待Window系统版本一样。
Inception V1的想法其实很简单：一方面我们人工地调整每层卷积窗口的尺寸（真麻烦！）另一方面，我们又想让深度网络更“深”，为什么不让同一层就有各种大小卷积可以学习？
是不是轻松多了？仅仅一层block就包含1*1卷积，3*3卷积，5*5卷积，3*3池化。
这样，网络中每一层都能学习到“稀疏”或者“不稀疏”的特征：
另外，Inception V1开创了两个变化：
1. 以前每一层线性卷积需要之后跟一个Relu激活函数或者pooling层增加非线性。而Inception V1直接通过DepthConcat在每个block后合成特征，获得非线性属性。 继续阅读#Inception深度网络家族盘点 | Inception v4 和Inception-ResNet未来走向何方 ?
