前言对抗攻击英文为adversarial attack，即对输入样本添加一些人无法察觉的细微改动，导致模型以高置信度输出一个错误的答案。在现实生活中，我们建立的系统很多时候会遇到干扰，甚至是人为的蓄意攻击，如垃圾邮件、恶意软件和网络入侵等。

在学习这节之前，我们需先了解一些基本的微积分知识，如导数、微分、偏导数及链式法则等。如果你对这些知识不太了解，请自行在网上找相关资料学习，这是因为求导是几乎所有深度学习优化算法的关键步骤。 有过算法实现经验的小伙伴可能有过这种体验，如果一个

在实现深度学习模型时，我们难免会对数据进行操作，因此我们需要部分线性代数相关的内容。这节我们将学习线性代数中的基本数学对象和运算，并通过相关代码来表现它们。 标量我们称仅包含一个数值的为标量，它可以由只有一个元素的张量表示。下面我们简单实例

这节我们将简要介绍使用pandas预处理原始数据，并将原始数据转换为张量格式的步骤。 读取数据集首先，我们简单创建一个人工数据集，并存储在csv文件./data/house_tiny.csv中。下面我们将数据集按行写入csv文件中 impo

作业介绍作业的目标是使用卷积神经网络（我用的是VGG）解决图像分类问题，并用数据扩充的技术提高模型的性能。 使用的数据集是一个关于食物分类的dataset:food-11。如名字所示，食物的种类有11种，分别为面包、乳制品、甜点、鸡蛋、 油

目标：用深度神经网络（DNN）解决一个回归问题，了解训练基础DNN的技巧 任务描述： 给定美国特定州过去三天有关COVID-19的调查，然后预测第3天新检测阳性病例的百分比 导入一些包# PyTorch import torch imp

前言BERT的全称是Bidirectional Encoder Representations from Transformers（来自Transformers的双向编码器表示），BERT基于Transformer，Transformer在

在前面我们学习过自注意力模型，自注意力模型拥有CNN并行运算和RNN挖掘序列中的关系两大优势。因此，使用自注意力模型来设计深度架构是很有吸引力的。对比之前仍然依赖RNN来实现输入表示的类似注意力模型，Transformer模型完全基于自注意

在这章节，我们将用RNN搭建一个seq2seq模型(sequences to sequences)，实现英文到中文的翻译，数据集应用的是由Tatoeba项⽬的双语句⼦对114组成的“英-中文”数据集。 数据预处理原始语料需要进行预处理，所以

基于GAN的多水库径流序列的随机生成 该文将DCGAN和WGAN结合起来组成一个新的方法DC-WGAN，并用于径流序列的随机生成。该方法可以同时捕捉径流序列在时间和空间维度上的相关性，解决了传统方法（如Copula等）在径流序列随机生成中