这是一种交互式的可视化工具，旨在为非专家学习和检查卷积神经网络

一种基础的深度学习模型架构该工具解决了新手在学习CNN时面临的关键挑战，这些挑战可通过对讲师的访谈和对过往学生的调查确定。用户可以交互式地可视化和检查CNN中的数据转换和中间结果流。CNN Explainer紧密集成了一个模型概述，该概述概述了CNN的结构，并按需提供，动态的视觉解释视图，可帮助用户了解CNN的基本组成部分。通过跨抽象级别的平稳过渡，该工具使用户能够检查低级操作（例如，数学计算）和高级结果（例如，类预测）之间的相互作用。

使用现代网络技术开发的

无需安装或专用硬件即可在用户的网络浏览器中本地运行，从而使公众能够接受现代深度学习技术的教育，使用现代网络技术开发的，无需安装或专用硬件即可在用户的网络浏览器中本地运行，从而使公众能够接受现代深度学习技术的教育。可以找到与本文相关的TensorFlow代码 数学计算）和高级结果（例如班级预测）

利用增强数据进行强化学习

从视觉观察中学习是强化学习中的一个基本但具有挑战性的问题。尽管算法的进步与卷积神经网络相结合已被证明是成功的秘诀，但当前的方法仍在两个方面缺乏：

1、学习的样本效率和

2、推广到新环境

使用增强数据进行强化学习，这是一个简单的即插即用模块，可以增强任何RL算法。结果表明，诸如随机裁切，颜色抖动，色块切除和随机卷积之类的数据增强可以使简单的RL算法在数据效率，泛化性方面，甚至可以跨越通用基准匹配甚至超过复杂的技术。以及挂钟速度。发现仅数据多样性就可以使代理将注意力集中在来自高维观测的有意义的信息上，而无需更改强化学习方法。

用于科学的TLDR生成这是一种具有高源压缩率，需要专家背景知识和复杂语言理解的新自动汇总任务。

据说有很多功能可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并从理论上证明结果是正确的。一些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小型数据集上运行；而某些功能（例如批归一化和残差连接）适用于大多数模型，任务和数据集。

神经支持的决策树

在需要准确且合理的预测的环境中（例如从财务到医学影像），将采用深度学习。尽管近有工作为模型预测提供事后解释，但相对较少的工作是探索更直接可解释的模型，这些模型可以匹配的准确性。从历史上看，决策树一直是平衡可解释性和准确性的金标准。但是，近尝试将决策树与深度学习相结合，结果导致产生的模型

（1）即使在较小的数据集上，其准确度也远远低于现代神经网络。

（2）所需的体系结构截然不同，迫使从业人员在准确性和可解释性之间做出选择。