Batch Normalization（BN）是深度学习领域最重要的技巧之一，最早由Google的研究人员提出。这个技术可以大大提高深度学习网络的收敛速度。简单来说，BN就是将每一层网络进行归一化，就可以提高整个网络的训练速度，并打乱训练数据，提升精度。但是，BN的使用可以在很多地方，很多人最大的困惑是放在激活函数之前还是激活函数之后使用，著名机器学习领域的博主Santiago总结了这部分需要注意的内容。
这篇博客是来自Analytics Vidhya的一篇文章。写的很不错。
Tensorflow中数据集的使用方法（tf.data.Dataset）
Python for Data Analysis第三版免费在线学习网站来临！
构建人工智能应用的开发者指南
一张图看清楚HTML语法的结构和名称
正则项的理解之正则从哪里来
DeepGraph Library（DGL）发布了0.81版本
深度学习的反向传播手动推导
全球最大（最挣钱）的十大开源企业
Linux环境下使用NLPIR(ICTCLAS)中文分词详解
KerasCV——一个新的简单易用的计算机视觉（CV）算法库
Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）
回归模型中的交互项简介（Interactions in Regression）
贝塔分布（Beta Distribution）简介及其应用
矩母函数简介（Moment-generating function）
使用R语言进行K-means聚类并分析结果
普通最小二乘法（Ordinary Least Squares，OLS）的详细推导过程
H5文件简介和使用
深度学习技巧之Early Stopping（早停法）
Wishart分布简介
stata 用outreg2输出回归结果