背景介绍
Regularization(正则化):简单的说就是减小测试误差的行为，我们在构建深度学习模型时，最终目的是为了让模型更好的面对测试数据，而不是训练数据。但是网络在学习的过程中很容易就出现了Overfitting(过拟合)，这就导致模型的泛化能力下降，所以需要引入一些正则化的方法，降低模型的复杂度。
TensorFlow训练，验证，预测的三种方法
背景介绍
Train, Evaluate, Predict(训练，验证，预测):是深度学习中的基础内容，想要完成一个深度学习工程问题，训练，验证，预测是必不可少的环节，今天以LeNet-5模型为例，给入门的小伙伴们提供TensorFlow中三种常用的训练，验证，预测方法。
TensorFlow定义网络层
背景介绍
Define Layer(定义网络层):是深度学习中的基础内容，想使用深度学习方法解决实际问题，首先就需要建立一个网络层，今天以LeNet-5模型为例，给入门的小伙伴们提供TensorFlow2.0两种定义网络层的方法。
TensorFlow定义模型的三种方法
背景介绍
Define Model(定义模型):是深度学习中的基础内容，想使用深度学习方法解决实际问题，首先就需要建立一个模型，今天以LeNet-5模型为例，给入门的小伙伴们提供TensorFlow2.0三种自定义模型的方法。
误差，偏差，方差，噪声的关系
背景介绍
Error,Bias,Variance,Noise(误差，偏差，方差，噪声):是机器学习中的一组重要概念，小伙伴们可能也听说过这些，但是可能不清楚它们之间到底有什么练习，今天给大家捋一捋。
Callbacks黑科技
背景介绍
Callbacks(回调函数):指在网络学习期间，对网络的性能，参数等进行修改，保存，显示，早停等一系列操作。不是深度学习必须使用的，但是掌握回调函数可以更好的让网络为我们服务，下面来具体了解一下有哪些常用的回调函数。
Transfer learning(迁移学习)
背景介绍
Transfer learning(迁移学习):是一种常见的机器学习方法，概括的说就是将一个预训练的模型重新用在另一个任务上。其在深度学习问题上是非常受欢迎的，因为深度学习很大的一个问题就是数据集不够，神经网络的参数量少说几百万，多则上亿，因此对于数据量的要求也是十分巨大的，但是实际的问题往往很难找到足够数量的数据集，除了数据增强方法外，还可以利用迁移学习的思想。以分类问题为例，前面的卷积层和池化层的目的是特征提取，后面全连接层的目的是进行分类。因此如果我们有很好的特征提取参数，那么我们就不需要浪费太多数据集在特征提取部分，我们重点训练网络的后半部分即可。
每个元音包含偶数次的最长子字符串(Leetcode 1371)
题目分析
这个题目第一眼想到的方法是暴力求解，从第i个字符开始到第j个字符，使用两层循环，依次遍历，计算是否满足偶数个元音字母，算法复杂度也很好分析$O(n^2)$，但是求解的过程中浪费了大量的运算资源，如从第一个字符到最后一个字符，对每一个字符都判断了是否为元音字符，从第二个字符到最后一个字符，对每一个字符又判断了依次，因此大大增加了时间复杂度，如果直接使用暴力法，题目是很难通过的。
TensorBoard黑科技
背景介绍
TensorBoard:是一个可视化工具，它可以用来展示网络流图，损失函数，评价函数等等随epoch的变化过程，其工作原理是，程序给磁盘的某个目录写数据，然后监听器就可以监听到这个目录的变化，打开Web浏览器就可以从监听器中获得数据，完成实时的数据更新。今天给小伙伴们介绍TensorBoard的两种使用方法，希望小伙伴们可以认真学习，动手尝试。