正则化技术包括，正则化半监督方法

超大规模图神经网络系统真的可以实现赋予机器常识吗?

1、图像识别：人工神经网络可以用于图像分类、目标检测、语义分割等，广泛应用于自动驾驶、医疗图像分析、人脸识别等领域。利用深度学习算法可以实现高精度的图像识别。

2、最后，生成器开始生成非常真实的图片：无论图片是生成器生成的还是真实的，半数时间里，判别器的正确概率都是恒定的。这种对抗训练过程与传统神经网络存在一个重要区别。一个神经网络需要有一个成本函数，评估网络性能如何。

3、书中用高德纳技术成熟度曲线论证，现在的人工智能热潮与以往有本质的区别，它实现了语音识别、机器视觉、数据挖掘等多个领域追上甚至超过了正常人类水平，突破了心理阈值，进入真实应用场景，并与商业模式紧密结合，在产业界发挥真正的价值。

L1、L2正则化知识详解

L1正则化就是在 loss function 后面加上L1范数，这样比较容易求到稀疏解。

L1正则是拉普拉斯先验，L2是高斯先验。整个最优化问题可以看做是一个最大后验估计，其中正则化项对应后验估计中的先验信息，损失函数对应后验估计中的似然函数，两者的乘积即对应贝叶斯最大后验估计。

这样的正则化就是L2正则化，就是加了一个平方项。如果不加平方项，而是绝对值：这样的方法被称作L1正则化，也就是Lasso回归的方式。因为Lasso趋向于使得一部分\theta为0，所以Lasso可以做 特征选择 。

L2范数：除了L1范数，还有一种更受宠幸的规则化范数是L2范数： ||W||2。在回归里面，有人把它的回归叫“岭回归”（Ridge Regression），有人也叫它“权值衰减weight decay”。

多视图谱聚类算法介绍

矩阵 的行是数据点的嵌入，就是说一行对应一个数据，一共有n行，然后用k均值算法进行聚类。作者的多视图谱聚类框架建立在标准谱聚类基础上，增加了半监督学习中的共正则化框架增加单一视图。

算法简介 谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。

谱聚类是一种基于图论的聚类方法，通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据聚类的母的。谱聚类可以理解为将高维空间的数据映射到低维，然后在低维空间用其它聚类算法（如KMeans）进行聚类。

谱聚类算法将聚类问题转化为图的划分问题之后，基于图论的划分准则的优劣直接影响到聚类结果的好坏。常见的划分准则有Mini cut，Average cut，Normalized cut，Min-max cut，Ratio cut，MNcut等。

谱聚类算法主要有下面几部分：给定样本的原始特征，我们需要计算两两样本之间的相似度值，才能构造出邻接矩阵 . 我们一般使用高斯核函数来计算相似度。

传统的聚类算法，如K均值算法，EM算法等都是建立在凸球形的样本空间上，但样本空间不为凸时，算法会陷入局部最优。谱聚类算法正是为了弥补上述算法的这一缺陷而产生的。0.3认为是可信服的，0.5认为聚类是合理的。