本节继续来介绍新的网络结构SENet网络SENet的提出动机十分简单。传统的方法将网络的特征图的值直接传递到下一层，而SENet的核心是建模通道之间的依赖关系，通过网络的全局损失函数自适应的重新校正通道之间的特征的相应的强度。SENet是由一系列的SE块组成，一个SE块包括压缩和激发两个步骤，其中压缩是通过特征图上执行全局平均池化得到当前特征图的全局压缩特征向量，特征图通过两层全连接得到特征图中每

今天介绍的是TCN模型，在介绍这个模型的过程中，会介绍很多额外的小知识点，个人觉得还是很有用的。下面咱们就来介绍TCN模型。TCN模型先来看问题定义，对于时序问题还是老生常谈的输入输出形式。 $x=[x_{0},x_{1},...x_{T} ]$, 作为输入的值， 输出就是对应的$y=[y_{0}, y_{1},...,y_{T}]$作为输出。那么TCN模型是如何组织模型结果的呢？刚开始的时候作者

今天咱们来介绍一个纯时序模型，N-BEATS模型，直接开门见山看看模型的机构，然后对着模型解读。N-BEATS模型结构图1.1就是N-BEATS模型的结构，看起来比较复杂，咱们拆开来看。首先来看模型的输入，输入的是观测序列$[y_{1},...,y_{T}]$, 输出是预测数据$[y_{T},...,y_{T+H}]$, 这里在原文中描述T=nH, n一般取2到7。看上图的模型主要有几个结构，分别

Deep Crossing简介Deep Crossing模型的应用场景是微软搜索引擎Bing中的搜索广告推荐场景。用户在搜索引擎中输人搜索词之后，搜索引擎除了会返回相关结果，还会返回与 搜索词相关的广告，这也是大多数搜索引擎的主要赢利模式。尽可能地增加搜索 广告的点击率，准确地预测广告点击率，并以此作为广告排序的指标之一 ，是非 常重要的工作，也是 Deep Crossing 模型的优化目标。核心

MobileNet V2卷积神经网络本篇论文是优化了MobileNet V1的版本的卷积神经网络，和resnet神经网络也有部分相似。首先利用3×3的深度可分离卷积提取特征，然后利用1×1的卷积来扩张通道。用这样的block堆叠起来的MobileNetV1既能减少不小的参数量、计算量，提高网络运算速度，又能的得到一个接近于标准卷积的还不错的结果，看起来是很美好的。问题有人在实际使用的时候， 发现深