融合吧！微分方程 IN 深度學習！這次來介紹最新的 DiffEqFlux.jl 套件！
Neural Ordinary Differential Equations 文章得到 NeurIPS 2018 的最佳論文獎，在得獎之前，早就有許多人討論這篇文章。他結合了深度學習領域與傳統科學、工程等等領域的數值方法，並將傳統離散的神經網路層貫通成為一個連續的"層"，如此一來就能在任意的層當中引入資料。使用傳統計算微分方程的數值方法（ODE solver）作為 Backpropagation 的代替，讓所需要的參數量大幅下降，並且運算所需的記憶體空間為 O(1)，而且保有原有的模型性能。
這兩者不相干的領域的交錯，但這只不過是個開始......
本次將會介紹 Neural ODE 這篇論文，並且介紹在 Julia 語言上的套件 DiffEqFlux.jl。DiffEqFlux.jl 是由 DifferentialEquations.jl 的作者 Chris Rackauckas 以及 Flux.jl 的作者 Mike Innes 的聯手合作開發，融合了深度學習套件的零件，以及數值方法的引擎，未來會從這樣的結合中找到一些可能性。
活動議程:
19:30~19:40 入場及活動準備
19:40~21:30 Neural ODE 論文討論與 DiffEqFlux.jl 套件介紹 - 杜岳華
