### 2.删除库接口版本 ** POST (为了兼容老版接口所以用POST REST风格这里应该使用DELETE方法) ** /lib/library/destroy ** ``` library_id:库id 用户id(必填) ``` 返回值 ``` { "result": true, "errno": 0, "msg": "成功" }
### 1.创建库接口版本 ** POST (为了兼容老版接口所以用POST REST风格这里应该使用PUT方法) ** /lib/library/create ** ``` library_name 库名称长度不能超过40个UTF8汉字(必填) lib_type:库类型(必填， 1表示术语库，2表示语料库) label_id:库分类ID（非必填，省缺为
是一种试图通过预测文档中话语的上下文来学习词向量（word embedding）的算法和工具 (https://code.google.com/p/word2vec/)。最终得到的词矢量（word vector）有一些有趣的性质，例如vector(\'queen\') ~=vector(\'king\') - vector(\'man\') + vector(\'woman\') （女王~=国王
梯度消失问题出现在使用梯度很小（在 0 到 1 的范围内）的激活函数的非常深的神经网络中，通常是循环神经网络。因为这些小梯度会在反向传播中相乘，它们往往在这些层中传播时「消失」，从而让网络无法学习长程依赖。解决这一问题的常用方法是，使用 ReLU 这样的不受小梯度影响的激活函数，或使用明确针对消失梯度问题的架构，如LSTM。这个问题的反面被称为梯度爆炸问题（exploding gradient p
是一个让你可以定义、优化和评估数学表达式的 Python 库。它包含许多用于深度神经网络的构造模块。Theano 是类似于 TensorFlow 的低级别库。更高级别的库包括Keras 和 Caffe。
是一个开源 C ++ / Python 软件库，用于使用数据流图的数值计算，尤其是深度神经网络。它由谷歌创建。在设计方面，它最类似于 Theano，但比 Caffe 或Keras 更低级。
是在 2014 年 ImageNet 定位和分类比赛中分别获得第一和第二名的卷积神经网络模型。这个 VGG 模型包含 16-19 个权重层，并使用了大小为 3×3 和 1×1 的小型卷积过滤器。
的矢量转换成用于分类的神经网络的输出层上的类概率（class probability）。它通过对归一化常数（normalizationconstant）进行指数化和相除运算而对分数进行规范化。如果我们正在处理大量的类，例如机器翻译中的大量词汇，计算归一化常数是很昂贵的。有许多种可以让计算更高效的替代选择，如分层 Softmax（Hierarchical Softmax），或使用基于取样的损失函数，
随机梯度下降是用于训练阶段学习网络参数的基于梯度的优化算法。梯度通常使用反向传播算法计算。使用微小批量版本的 SGD，其中的参数更新基于批案例而非单个案例进行执行，这能增加计算效率。vanilla SGD 存在许多扩展，包括动量（Momentum）、Adagrad、rmsprop、Adadelta或 Adam。
序列到序列（Sequence-to-Sequence）模型读取一个序列（如一个句子）作为输入，然后产生另一个序列作为输出。它与标准的 RNN 不同。在标准的 RNN 中，输入序列会在网络开始产生任何输出之前被完整地读取。通常，Seq2Seq 通过两个分别作为编码器和解码器的 RNN 实现。神经网络机器翻译是典型的 Seq2Seq 模型。