所以第二个图是啥软件（

以我的理解，condition and true or false 只是按照 python 语法写出的一个普通表达式。

isinstance(session, NoValue): True
True and None: None
None or session: session

所以 print 出了 session

第二个是 None。这两个写法并不是等价的。

"国内外著名大学"

"照这一点说我觉得所有有中文的游戏都比它好玩"这句话已经终结了本贴，屠龙宝刀点击就送欢迎你。

@qianlifeng #5 神奇，打开更新看到最近检查时间是 8 点，无更新。手动点了检查居然收到了补丁，真是这么巧？还是有灰度测试之类的机制？

@slucus #12 如果数据量稍微大一点，其实取到相邻的概率是很低的，所以比较不见得不可取。

@slucus #8 所以二位的方法是，类似奇数行取左，偶数行取右（左右由随机数决定）这样来强制满足要求？

但是这样是不会同时取到 0 和 6 的，感觉和一般理解的随机不太一致。

@zhanglintc #41 我是美区下的，国区不清楚

@Gran1987 火纹+1

00 年的都已经大二了，厉害呀

微博看到有英国的医院也中招了

@954880786 #2 参考楼主的公式 (2)，f bar 是与样本无关的，取决于 X 本身的分布和模型的选取。因此公式 (5) 的 bias 也与训练样本无关。

最后一段对 bias-variance trade-off 的解释有点含糊，“训练程度”这个词有点问题。

个人理解，训练程度是指训练用的数据的数量增加。但是训练数据增加一般导致 variance 下降，并不影响 bias。

最常见同时影响 bias 和 variance 的，应该是模型复杂度。

@meetocean #3 "外国学者罗斯门...":来源请求？

“ 701 名发明家”，统计上显著吗？抽样有偏差吗？

各种“例如”，有逻辑么？

最后的结论。。“西方英雄出少年，一个核心的必要条件就是逻辑学”。你的论据和逻辑学没有任何关系，逻辑学这个位置想放什么放什么。

个人觉得基础弱的，先不要急着看 CNN 和 RNN，可以先看看最早的模型：
感知机 /Perceptron （包括了最基本的思想）
全连接的神经网络以及激活函数（复杂度提升，引入反向传播）

能走到这一步，可以说是入门了。

@df4VW #10 12 瓶果汁的 program ？来源请求（ 如果目的是减肥当我没说（

1. no_of_epochs 是 number of epochs ，一般把整个训练集循环一遍叫一个 epoch 。
2. “每次测试一张图片貌似都要训练一次样本集”，模型就是要靠比较每一次的测试结果和真实结果来训练的，所以不存在先训练再测试的说法。

这两个问题，倒其实不算是 deep learning 的内容。楼主可以看看 gradient descend/梯度下降法 以及修改版 SGD/随机梯度下降法、 minibatch GD/批量梯度下降。

不过讲道理，入门 deep learning ，不自己推导反向传播公式之类的倒是无所谓。但是啥理论也不想看，就想直接看懂代码做了什么。。那可能想多了