深度学习中的卷积神经网络（CNN）及其应用
【10月更文挑战第26天】在这篇文章中，我们将深入探讨卷积神经网络（CNN）的基本原理、结构和应用。CNN是深度学习领域的一个重要分支，广泛应用于图像识别、语音处理等领域。我们将通过代码示例和实际应用案例，帮助读者更好地理解CNN的概念和应用。
阿里开源首个DL框架，新型XDL帮你搞定大规模稀疏数据
12 月 21 日，阿里巴巴旗下的大数据营销平台阿里妈妈开源了其应用于自身广告业务的算法框架 X-Deep Learning（XDL）。该框架非常擅长处理高维稀疏数据，对构建推荐、搜索和广告系统非常有优势。此外，阿里还配套发布了一系列官方模型，它们都是阿里在实际业务或产品中采用的高效模型。
我在STM32单片机上跑神经网络算法—CUBE-AI
为什么可以在STM上面跑人工智能？简而言之就是通过X-Cube-AI扩展将当前比较热门的AI框架进行C代码的转化，以支持在嵌入式设备上使用，目前使用X-Cube-AI需要在STM32CubeMX版本7.0以上，目前支持转化的模型有Keras、TF lite、ONNX、Lasagne、Caffe、ConvNetJS。Cube-AI把模型转化为一堆数组，而后将这些数组内容解析成模型，和Tensorflow里的模型转数组后使用原理是一样的。
ShuffleNet:极致轻量化卷积神经网络(分组卷积+通道重排)
我们引入了一个高效计算的CNN结构名字叫做shuffleNet，这个结构被设计用来解决部署算力非常有限的移动设备问题，这个新的结构使用了两个新的操作,pointwise group convolution 和 channel shuffle能够在极大减少计算量的同时保持一定的精度。我们在ImageNet classification和MS COCO目标检测数据集上做实验论证了ShuffleNet和其他的结构相比有着很好的性能。比如,相比于mobilenet，shufflenet在ImageNet 分类任务上有着更低的top-1错误率(错误率是7.8%)需要的计算量为40MFLOPs。在一个AR