本文系统介绍了R-CNN（基于区域的卷积神经网络）家族的四个核心模型：R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN。这些模型一脉相承，后续版本在速度上相较于前代实现了显著优化与提升。文章涵盖了该系列模型从基础架构到高效推理的演进脉络，并特别针对R-CNN补充了边界框回归等关键技术细节与常见优化技巧的深入解析。

本文作为系列教程的第二部分，重点介绍了目标检测发展中的几个经典模型。文章解析了用于图像分类的卷积神经网络，包括AlexNet、VGG和ResNet，阐述了它们如何通过深度架构推动图像分类性能的突破。同时，详细讲解了早期用于目标识别的DPM（可变形部件模型）与Overfeat模型，说明了它们在特征提取与区域提议方面的创新思路。内容梳理了从分类到检测的技术演进脉络，为理解现代目标检测方法奠定了基础。

物体检测入门系列第一部分发布，聚焦基础概念，介绍梯度向量、HOG（方向梯度直方图）算法和选择性搜索用于图像分割。文章针对无计算机视觉经验的读者，以通俗方式解释传统物体检测技术，不涉及深度神经网络。内容涵盖梯度向量计算、HOG 算法原理及选择性搜索的图像分割应用，旨在激发学习兴趣。深度学习模型将在后续 Part 2 和 Part 3 中详细探讨。

词嵌入是一种将词汇表示为数值向量的密集表达方法，能够通过多种语言模型学习得到。这种表示形式可以揭示词语之间隐藏的关系，例如“猫”与“小猫”的向量差类似于“狗”与“小狗”的向量差。文章介绍了几种用于学习词嵌入的模型，并阐述了其损失函数的设计原理，旨在帮助机器学习模型理解和处理自然语言文本。

Naftali Tishby教授在生前演讲中提出，信息论可应用于研究深度神经网络的训练过程，核心是信息瓶颈

生成对抗网络（GAN）在模拟图像、语言和音乐等现实世界内容的生成任务中成果显著，但其训练过程常因不稳定和难以收敛而受阻。Wasserstein GAN（WGAN）针对这一问题，引入 Wasserstein 距离作为平滑度量，用于优化概率分布间的距离测量，从而提升训练稳定性并促进模型收敛。该研究深入解析了 GAN 的数学原理，并展示了 WGAN 如何通过改进度量方式克服 GAN 的固有训练缺陷。

随着机器学习模型渗透到医疗保健、司法系统和金融行业等关键领域，理解其决策过程并确保符合伦理要求或法律规范变得至关重要。本文回顾了模型可解释性的研究进展，覆盖两个主要方面：一是可解释模型及其特定解释方法，二是针对黑盒模型的解释策略。文章还探讨了可解释人工智能的开放讨论，强调提升模型透明度和可信度的必要性，以促进负责任的应用。这些研究为模型在敏感领域的部署提供了理论支持。

Part 2 教程在 Part 1 构建循环神经网络预测单一股票价格的基础上，扩展了模型能力，使其能同时处理多只股票的价格预测。为此，作者引入股票符号嵌入向量作为输入特征，以区分不同股票价格序列的独特模式。这一方法改进旨在增强模型的通用性和准确性，完整工作代码已开源在 GitHub 仓库 lilianweng/stock-rnn，方便读者复现和进一步研究。

该教程介绍了如何使用Tensorflow构建循环神经网络（RNN）来预测股票市场价格，其中第一部分重点针对标准普尔500指数进行预测。教程提供了完整可运行的代码，托管于GitHub仓库。

本文源于作者为Affirm公司举办的WiMLDS x Fintech聚会所做的演讲，旨在分享其近期对深度学习领域的学习心得。文章以2016年AlphaGo与围棋九段世界冠军李世石的系列赛为引，回顾了AlphaGo以4-1的比分取胜，这一标志性事件突显了当年人工智能领域的重大突破。作者借此概述了深度学习模型及其应用，为同样对这一领域感兴趣的读者提供了入门指引。