如果选择2016年的年度技术词汇，深度学习首当其冲。我们知道当一项技术完成从0到1的积累，下一步就是系统规模化的工作。就像2015年我们在谈容器，到了今年所有人的关注点都落到了像Swarm，Kubernetes和Mesos的容器云身上， 历史是如此的相似。

　　Arend Hintze写了一篇很好的短文，叫《 理解AI的四种类型 》，分别是反应机器(Reactive Machine)、有限的记忆(Limited Memory)、思维理论(Theory of Mind)、自我意识(Self-Awareness)。

　　当首次介绍深度学习时，我们认为它是一个要比机器学习更好的分类器。或者，我们亦理解成大脑神经计算。

　　Alphgo在围棋上战胜李世石属于里程碑的时间，因此，深度学习也被炒得很热，但什么叫深度学习，为什么是深度，其实大多不知道，如果解释成多层神经网络估计也没多少人明白。

　　本文通过介绍人工智能、深度学习和机器学习三者之间的关系来阐明深度学习及其重要性。传统的机器学习智能处理一定量数据，而对于深度学习来说，数据越多，深度学习的技术表现越好。此外该文还介绍了深度学习的几大框架以及优秀在线课程和书籍。

　　技术创新正在变革医疗与健康产业，雷锋网持续关注医疗领域出现的软硬件创新，包括设备、数据，抑或对他们的创新运用。目前我们在招募医疗健康领域作者，负责采写报道医疗科技领域的企业与牛人。简历投递至zhangchi@leiphone.com，或加微信nksimons撩。

　　以马斯克为代表的几位大佬提出：深度学习项目应该实行开源的策略，不能让少数人掌握可以毁灭人类的技术。我们不讨论这种机器威胁论，但说到开源，熟悉技术的朋友一定都会想到GitHub网站。今天，我们就来看看在GitHub上的两款特别“牛”的深度学习项目。

　　[导读]“大数据时代”，数据为王!无论是数据挖掘还是目前大热的深度学习领域都离不开“大数据”。大公司们一般会有自己的数据，但对于创业公司或是高校老师、学生来说，“Where can I get large datasets open to the public?”是不得不面对的一个问题。

　　今天， 微软宣布 发布了 Microsoft Cognitive Toolkit 的更新版本，这是一个用于深度学习的系统，可用于加速 CPU 和 NVIDIA GPU 上的语音和图像识别以及搜索相关性等领域的发展。

　　尽管在最近的在线搜索中已经占据高的搜索量，深度学习仍然是一个相对较新的概念。由于在各个不同的领域都获得了巨大的成功，机器学习在研究和生产领域中大量涌现。机器学习是应用深度神经网络技术的一个过程——也就是有着多个隐藏层的神经网络构架——去解决问题。

　　提到入门级的书，就不得不提这一本 Bengio Yoshua，Ian J. Goodfellow 和 Aaron Courville共同撰写的《深度学习》(Deep Learning)。

　　随着人工智能 (AI) 几乎延伸至我们生活的方方面面，主要挑战之一是将这种智能应用到小型、低功耗设备上。这需要嵌入式平台，能够处理高性能和极低功率的极深度神经式网络 (NN)。然而，这仍不足够。机器学习开发商需要一个快速和自动化方式，在这些嵌入式平台上转换、优化和执行预先训练好的网络。

　　随着人工智能和深度学习逐渐进入人们视野，中科院、谷歌、IBM、英伟达等中美科研机构和商业公司也纷纷推出了用于深度学习的处理器。在上述产品中，既有CPU、GPU、DSP这样的传统芯片，也有专门为深度学习而生的NPU。

　　简评：这是一篇综述深度学习的文章。深度学习正在改变我们的生活。作为技术党的我们，即使不是这个专业，也应该了解这些技术趋势。

　　你是如何提升深度学习模型的效果? 这是我经常被问到的一个问题。有时候也会换一种问法：我该如何提高模型的准确率呢? ……或者反过来问：如果我的网络模型效果不好，我该怎么办?通常我的回答是“具体原因我不清楚，但我有一些想法可以试试”。