上一篇文章《手把手带你入门机器学习1——线性回归》讲述了线性回归的概念，以及如何使用梯度下降算法实现线性回归。本文延续上一篇的内容，根据《Machine Learning》课程中的练习1的内容，使用python来实现线性回归的过程。

机器学习已经越来越普及，渐渐的被应用到各行各业中。作为一个程序员，如何学习机器学习呢？在本系列文章中，我根据我学习的经验带大家了解一下机器学习的基础知识。

我原本是一名嵌入式开发工程师，2018年开始自学机器学习的知识，目前主要从事深度学习CV方向的工作。最初刚接触机器学习，我也是苦于如何入门。在搜索了很多资料后，找到了coursera上的Machine Learning课程，通过学习了完整的课程，最后掌握了机器学习的基础知识，为以后学习深度学习打下了基础。所以本系列文章，我将以Machine Learning课程和练习为基础，带大家了解什么是机器学习。今天我们先来了解一下线性回归。本篇文章是希望大家都能看懂，可以对线性回归有一个初步的了解，所以这里不会深入的做一些原理的推导。

PaddleGAN源码包及样例视频下载地址：

链接: https://pan.baidu.com/s/1x3GTF5iLSwvw7NBhO2XP3w

密码: ww2g

GAN对抗生成网络，被“卷积网络之父”Yann LeCun（杨立昆）誉为「过去十年计算机科学领域最有趣的想法之一」，近年来火遍全网。研究人员们使用GAN构建出许多有趣应用，例如图片变化、超分辨率、动作迁移等。

本文带大家使用基于百度PaddlePaddle框架的GAN套件PaddleGAN，实现老电影修复。

首先我们先看看修复效果吧。

怎么样？效果还不错吧。下面我将带领大家一步一步实现老电影修复。

paddlepaddle是百度推出的国产开源框架，有着百度强大研发力量的加持，paddlepaddle发展迅速，日益成熟。目前paddle可以作为替代python和tensorflow的深度学习框架。同时百度研发团队还推出了多种开发套件，例如PaddleClas、PaddleDection、PaddleSeg和PaddleGAN等。这些套件可以帮助开发者快速构建自己的应用。

从本文开始我将和大家一起学习paddlepaddle深度学习框架，一起构建神奇的人工智能应用。

首先我们学习如何创建paddlepaddle开发环境。paddlepaddle目前最新版本为2.0.0rc1,所以我们今天安装最新版本的框架。

随着短视频应用火爆全网，现在各种短视频已经占据了全网50%以上的流量，那么如何对短视频分类就成了一个问题。目前，我们使用卷积网络可以有效的对图片进行分类，同时精度也比较高。那么神经网络是否可以对视频分类呢？答案是肯定的，本文带你使用ResNet3D网络来完成视频分类任务。

本文对ResNet3D论文解读和复现，ResNet3D网络主要内容出自以下两篇论文：

《Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?》

《Would Mega-scale Datasets Further Enhance Spatiotemporal 3D CNNs》

论文项目地址:
https://github.com/kenshohara/3D-ResNets-PyTorch

随着PaddlePaddle2.0的更新，PaddleClas图像分类套件也更新到了2.0-rc1版本。新版本的PaddleClas套件已经默认使用动态图来进行模型训练。现在我们使用PaddleClas套件从零开始实现一个简单的垃圾分类器。来体验一下新版本的PaddleClas的的方便快捷，即使初学者也能快速的训练出高精度的模型。本篇文章分为上下两部分，上部讲解如何从零开始训练，下部讲解部分核心代码以及深度学习训练过程中使用到的技术。

Relation Net 是 CVPR2018的一篇论文，论文链接：https://arxiv.org/abs/1711.06025。

深度学习在视觉识别任务中取得巨大的成功，文章作者指出训练模型需要大量标注过的图片，同时需要迭代多次去训练参数。每当添加新的物体类别需要花费时间去标注，同时有一些新兴物体类别和稀有物体类别可能根本不存在大量的标注过的图片。而人类是只要很少的认知学习就可实现小样本（FSL）和无样本学习(ZSL)。作者举了一个例子，小孩子只要在一张图片或一本书里认识了斑马，或者只是听到描述斑马是一种”条纹马”，就可以毫无困难的识别出斑马这种动物。为了解决深度学习中样本很少模型的分类效果就会很差的问题，同时又受到人类的小样本和无样本学习能力带来的启发，小样本学习又恢复了一些热度。深度学习中的Fine-tune技术可以用于一些样本比较少的情况，但是在只有一个或者几个样本的情况下，即使使用了数据增强和正则化技术，仍然会有过拟合的问题。目前其他的小样本学习的推理机制又比较复杂，所以论文作者提出了一个可以端到端训练，并且结构简单的模型 Relation Net。