0.導(dǎo)語(yǔ)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，自從AlexNet出現(xiàn)后，深度學(xué)習(xí)越來(lái)越熱門(mén)。我最近在編寫(xiě)AI基礎(chǔ)系列，第一部分已經(jīng)完成并提供下載（下載說(shuō)明）。現(xiàn)在開(kāi)始更新深度學(xué)習(xí)部分。（黃海廣）

目前已經(jīng)發(fā)布：

AI 基礎(chǔ)：簡(jiǎn)易數(shù)學(xué)入門(mén)

AI 基礎(chǔ)：Python開(kāi)發(fā)環(huán)境設(shè)置和小技巧

AI 基礎(chǔ)：Python 簡(jiǎn)易入門(mén)

AI 基礎(chǔ)：Numpy 簡(jiǎn)易入門(mén)

AI 基礎(chǔ)：Pandas 簡(jiǎn)易入門(mén)

AI 基礎(chǔ)：Scipy(科學(xué)計(jì)算庫(kù)) 簡(jiǎn)易入門(mén)

AI基礎(chǔ)：數(shù)據(jù)可視化簡(jiǎn)易入門(mén)（matplotlib和seaborn）

AI基礎(chǔ)：機(jī)器學(xué)習(xí)庫(kù)Scikit-learn的使用

AI基礎(chǔ)：機(jī)器學(xué)習(xí)簡(jiǎn)易入門(mén)

AI基礎(chǔ)：機(jī)器學(xué)習(xí)的損失函數(shù)

AI基礎(chǔ)：特征工程-類(lèi)別特征

AI基礎(chǔ)：特征工程-數(shù)字特征處理

AI基礎(chǔ)：特征工程-文本特征處理

AI基礎(chǔ)：詞嵌入基礎(chǔ)和Word2Vec

AI基礎(chǔ)：圖解Transformer

AI基礎(chǔ)：一文看懂BERT

AI基礎(chǔ)：入門(mén)人工智能必看的論文

后續(xù)持續(xù)更新

1.深度學(xué)習(xí)入門(mén)的資料

深度學(xué)習(xí)的資料太多了，我只推薦吳恩達(dá)老師的深度學(xué)習(xí)課，剛開(kāi)始學(xué)深度學(xué)習(xí)，不宜看太難的，以免打擊信心。吳恩達(dá)老師的課，適合初學(xué)者，而且非常有代碼和測(cè)試題。這個(gè)課程看懂了，以后看別的課程就不會(huì)太吃力了。

一、吳恩達(dá)深度學(xué)習(xí)教程中文筆記

github地址：

https://github.com/fengdu78/deeplearning_ai_books

包含筆記、視頻等資源。

課程概述

https://www.deeplearning.ai

這些課程專(zhuān)為已有一定基礎(chǔ)（基本的編程知識(shí)，熟悉Python、對(duì)機(jī)器學(xué)習(xí)有基本了解），想要嘗試進(jìn)入人工智能領(lǐng)域的計(jì)算機(jī)專(zhuān)業(yè)人士準(zhǔn)備。介紹顯示：“深度學(xué)習(xí)是科技業(yè)最熱門(mén)的技能之一，本課程將幫你掌握深度學(xué)習(xí)。”

在這5堂課中，學(xué)生將可以學(xué)習(xí)到深度學(xué)習(xí)的基礎(chǔ)，學(xué)會(huì)構(gòu)建神經(jīng)網(wǎng)絡(luò)，并用在包括吳恩達(dá)本人在內(nèi)的多位業(yè)界頂尖專(zhuān)家指導(dǎo)下創(chuàng)建自己的機(jī)器學(xué)習(xí)項(xiàng)目。Deep Learning Specialization對(duì)卷積神經(jīng)網(wǎng)絡(luò) (CNN)、遞歸神經(jīng)網(wǎng)絡(luò) (RNN)、長(zhǎng)短期記憶 (LSTM) 等深度學(xué)習(xí)常用的網(wǎng)絡(luò)結(jié)構(gòu)、工具和知識(shí)都有涉及。

課程中也會(huì)有很多實(shí)操項(xiàng)目，幫助學(xué)生更好地應(yīng)用自己學(xué)到的深度學(xué)習(xí)技術(shù)，解決真實(shí)世界問(wèn)題。這些項(xiàng)目將涵蓋醫(yī)療、自動(dòng)駕駛、和自然語(yǔ)言處理等時(shí)髦領(lǐng)域，以及音樂(lè)生成等等。Coursera上有一些特定方向和知識(shí)的資料，但一直沒(méi)有比較全面、深入淺出的深度學(xué)習(xí)課程——《深度學(xué)習(xí)專(zhuān)業(yè)》的推出補(bǔ)上了這一空缺。

課程的語(yǔ)言是Python，使用的框架是Google開(kāi)源的TensorFlow。最吸引人之處在于，課程導(dǎo)師就是吳恩達(dá)本人，兩名助教均來(lái)自斯坦福計(jì)算機(jī)系。完成課程所需時(shí)間根據(jù)不同的學(xué)習(xí)進(jìn)度，大約需要3-4個(gè)月左右。學(xué)生結(jié)課后，Coursera將授予他們Deep Learning Specialization結(jié)業(yè)證書(shū)。

“我們將幫助你掌握深度學(xué)習(xí)，理解如何應(yīng)用深度學(xué)習(xí)，在人工智能業(yè)界開(kāi)啟你的職業(yè)生涯。”吳恩達(dá)在課程頁(yè)面中提到。

有同學(xué)提供了一個(gè)離線視頻的下載：鏈接：https://pan.baidu.com/s/1ciq3qHo0lgoD3MLRwfeqnA 密碼：0kim

我還把筆記做了一個(gè)在線版本，可以在手機(jī)上閱讀。（在線閱讀）

深度學(xué)習(xí)課程的測(cè)試題，我翻譯成了中文，可以做做看。（深度學(xué)習(xí)測(cè)試題）

2.主流深度學(xué)習(xí)框架和入門(mén)

TensorFlow、Keras和Pytorch是目前深度學(xué)習(xí)的主要框架，也是入門(mén)深度學(xué)習(xí)必須掌握的三大框架，但是官方文檔相對(duì)內(nèi)容較多，初學(xué)者往往無(wú)從下手。本人從github里搜到三個(gè)非常不錯(cuò)的學(xué)習(xí)資源，并對(duì)資源目錄進(jìn)行翻譯，強(qiáng)烈建議初學(xué)者下載學(xué)習(xí)，這些資源包含了大量的代碼示例（含數(shù)據(jù)集），個(gè)人認(rèn)為，只要把以上資源運(yùn)行一次，不懂的地方查官方文檔，很快就能理解和運(yùn)用這三大框架。

這部分資源整合后的github地址：https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-tensorflow-keras-pytorch

一、TensorFlow

推薦資料

a.吳恩達(dá)深度學(xué)習(xí)筆記中的TensorFlow部分

這部分可以說(shuō)是一個(gè)科普入門(mén)，學(xué)完后對(duì)TensorFlow會(huì)有一定的理解，接下來(lái)會(huì)容易點(diǎn)（第二門(mén)課第三周第3.11節(jié)，對(duì)應(yīng)筆記p247-253，筆記可以在我的github下載：github介紹）

筆記截圖：

圖：深度學(xué)習(xí)筆記截圖

b.TensorFlow2.0樣例（github標(biāo)星34000+）

TensorFlow推出2.0版本后，TF2.0相比于1.x版本默認(rèn)使用Keras、Eager Execution、支持跨平臺(tái)、簡(jiǎn)化了API等。這次更新使得TF2.0更加的接近PyTorch，一系列煩人的概念將一去不復(fù)返。推薦一位大神寫(xiě)的TF2.0的樣例代碼，推薦參考。

資源地址：

https://github.com/aymericdamien/TensorFlow-Examples

資源介紹：

本資源旨在通過(guò)示例輕松深入了解TensorFlow。?為了便于閱讀，它包括notebook和帶注釋的源代碼。

它適合想要找到關(guān)于TensorFlow的清晰簡(jiǎn)潔示例的初學(xué)者。?除了傳統(tǒng)的“原始”TensorFlow實(shí)現(xiàn)，您還可以找到最新的TensorFlow API實(shí)踐（例如layers,estimator,dataset, ......）。

最后更新(08/17/2019)：添加新示例（TF2.0）。

配置環(huán)境：

python 3.6以上，TensorFlow 1.8+

資源目錄：

0 ?- 先決條件

• 機(jī)器學(xué)習(xí)簡(jiǎn)介

• MNIST數(shù)據(jù)集簡(jiǎn)介

1 ?- 簡(jiǎn)介

• Hello World(包含notebook和py源代碼)。非常簡(jiǎn)單的例子，學(xué)習(xí)如何使用TensorFlow打印“hello world”。

• 基本操作(包含notebook和py源代碼)。一個(gè)涵蓋TensorFlow基本操作的簡(jiǎn)單示例。

• TensorFlow Eager API基礎(chǔ)知識(shí)(包含notebook和py源代碼)。開(kāi)始使用TensorFlow的Eager API。

2 ?- 基礎(chǔ)模型

• 線性回歸(包含notebook和py源代碼)。使用TensorFlow實(shí)現(xiàn)線性回歸。

• 線性回歸（eager api）(包含notebook和py源代碼)。使用TensorFlow的Eager API實(shí)現(xiàn)線性回歸。

• Logistic回歸(包含notebook和py源代碼)。使用TensorFlow實(shí)現(xiàn)Logistic回歸。

• Logistic回歸（eager api）(包含notebook和py源代碼)。使用TensorFlow的Eager API實(shí)現(xiàn)Logistic回歸。

• 最近鄰(包含notebook和py源代碼)。使用TensorFlow實(shí)現(xiàn)最近鄰算法。

• K-Means(包含notebook和py源代碼)。使用TensorFlow構(gòu)建K-Means分類(lèi)器。

• 隨機(jī)森林(包含notebook和py源代碼)。使用TensorFlow構(gòu)建隨機(jī)森林分類(lèi)器。

• Gradient Boosted Decision Tree（GBDT）(包含notebook和py源代碼)。使用TensorFlow構(gòu)建梯度提升決策樹(shù)（GBDT）。

• Word2Vec（詞嵌入）(包含notebook和py源代碼)。使用TensorFlow從Wikipedia數(shù)據(jù)構(gòu)建詞嵌入模型（Word2Vec）。

3 ?- 神經(jīng)網(wǎng)絡(luò)

• 監(jiān)督學(xué)習(xí)部分

• 簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)（如多層感知器）來(lái)對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。Raw TensorFlow實(shí)現(xiàn)。

• 簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)（tf.layers / estimator api）(包含notebook和py源代碼)。使用TensorFlow'layers'和'estimator'API構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)（如：Multi-layer Perceptron）來(lái)對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。

• 簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)（Eager API）(包含notebook和py源代碼)。使用TensorFlow Eager API構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)（如多層感知器）來(lái)對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。

• 卷積神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)以對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。Raw TensorFlow實(shí)現(xiàn)。

• 卷積神經(jīng)網(wǎng)絡(luò)（tf.layers / estimator api）(包含notebook和py源代碼)。使用TensorFlow'layers'和'estimator'API構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。

• 遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）(包含notebook和py源代碼)。構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）以對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。

• 雙向LSTM(包含notebook和py源代碼)。構(gòu)建雙向遞歸神經(jīng)網(wǎng)絡(luò)（LSTM）以對(duì)MNIST數(shù)字?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)。

• 動(dòng)態(tài)LSTM(包含notebook和py源代碼)。構(gòu)建一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)（LSTM），執(zhí)行動(dòng)態(tài)計(jì)算以對(duì)不同長(zhǎng)度的序列進(jìn)行分類(lèi)。

• 無(wú)監(jiān)督

• 自動(dòng)編碼器(包含notebook和py源代碼)。構(gòu)建自動(dòng)編碼器以將圖像編碼為較低維度并重新構(gòu)建它。

• 變分自動(dòng)編碼器（(包含notebook和py源代碼)。構(gòu)建變分自動(dòng)編碼器（VAE），對(duì)噪聲進(jìn)行編碼和生成圖像。

• GAN（Generative Adversarial Networks）(包含notebook和py源代碼)。構(gòu)建生成對(duì)抗網(wǎng)絡(luò)（GAN）以從噪聲生成圖像。

• DCGAN（Deep Convolutional Generative Adversarial Networks）(包含notebook和py源代碼)。構(gòu)建深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN）以從噪聲生成圖像。

4 ?- 工具

• 保存和還原模型(包含notebook和py源代碼)。使用TensorFlow保存和還原模型。

• Tensorboard ?- 圖形和損失可視化(包含notebook和py源代碼)。使用Tensorboard可視化計(jì)算圖并繪制損失。

• Tensorboard ?- 高級(jí)可視化(包含notebook和py源代碼)。深入了解Tensorboard;可視化變量，梯度等......

5 ?- 數(shù)據(jù)管理

• 構(gòu)建圖像數(shù)據(jù)集(包含notebook和py源代碼)。使用TensorFlow數(shù)據(jù)隊(duì)列，從圖像文件夾或數(shù)據(jù)集文件構(gòu)建您自己的圖像數(shù)據(jù)集。

• TensorFlow數(shù)據(jù)集API(包含notebook和py源代碼)。引入TensorFlow數(shù)據(jù)集API以?xún)?yōu)化輸入數(shù)據(jù)管道。

6 ?- 多GPU

• 多GPU的基本操作(包含notebook和py源代碼)。在TensorFlow中引入多GPU的簡(jiǎn)單示例。

• 在多GPU上訓(xùn)練神經(jīng)網(wǎng)絡(luò)(包含notebook和py源代碼)。一個(gè)清晰簡(jiǎn)單的TensorFlow實(shí)現(xiàn)，用于在多個(gè)GPU上訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。

數(shù)據(jù)集

• 一些示例需要MNIST數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。官方網(wǎng)站：http://yann.lecun.com/exdb/mnist/

c.《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于Scikit-Learn和TensorFlow》

推薦一本機(jī)器學(xué)習(xí)和TensorFlow入門(mén)的好書(shū)：《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：基于Scikit-Learn和TensorFlow》。

本書(shū)主要分為兩部分，第一部分（第1~8章）涵蓋機(jī)器學(xué)習(xí)的基礎(chǔ)理論知識(shí)和基本算法，從線性回歸到隨機(jī)森林等，可以幫助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探討深度學(xué)習(xí)和常用框架TensorFlow，手把手教你使用TensorFlow搭建和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，以及卷積神經(jīng)網(wǎng)絡(luò)。

這本書(shū)受到廣大機(jī)器學(xué)習(xí)愛(ài)好者的好評(píng)，可以說(shuō)是機(jī)器學(xué)習(xí)入門(mén)寶書(shū)，豆瓣評(píng)分8.2。

這本書(shū)假定您有一些 Python 編程經(jīng)驗(yàn)，并且比較熟悉 Python 的主要科學(xué)庫(kù)，特別是 NumPy，Pandas 和 Matplotlib 。

• 本書(shū)作者公開(kāi)了配套的源代碼：

https://github.com/ageron/handson-ml

• 國(guó)內(nèi)一個(gè)公益組織對(duì)原版英文書(shū)進(jìn)行了翻譯，制作成markdown文件（md文件推薦使用typora閱讀），可以在github下載：

https://github.com/apachecn/hands-on-ml-zh

針對(duì)國(guó)內(nèi)下載速度慢，本站對(duì)兩個(gè)資源進(jìn)行打包，可以在百度云下載：

鏈接：

https://pan.baidu.com/s/1jihUZrXblxhrVA5FBGU3RQ

提取碼：0xye

若被和諧請(qǐng)留言。

d.《python深度學(xué)習(xí)》

TensorFlow團(tuán)隊(duì)的Josh Gordon推薦這本書(shū)，TF2.0基于Keras。如果你是一個(gè)深度學(xué)習(xí)新手，最好從這本書(shū)入手。（代碼翻譯注釋：黃海廣）

當(dāng)然這本書(shū)里的代碼需要改一下，但非常簡(jiǎn)單：

import?keras ->?from?tensorflow?import?keras

《python深度學(xué)習(xí)》由Keras之父、現(xiàn)任Google人工智能研究員的弗朗索瓦?肖萊（Franc?ois Chollet）執(zhí)筆，詳盡介紹了用Python和Keras進(jìn)行深度學(xué)習(xí)的探索實(shí)踐，包括計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、產(chǎn)生式模型等應(yīng)用。書(shū)中包含30多個(gè)代碼示例，步驟講解詳細(xì)透徹。

作者在github公布了代碼，代碼幾乎囊括了本書(shū)所有知識(shí)點(diǎn)。在學(xué)習(xí)完本書(shū)后，讀者將具備搭建自己的深度學(xué)習(xí)環(huán)境、建立圖像識(shí)別模型、生成圖像和文字等能力。但是有一個(gè)小小的遺憾：代碼的解釋和注釋是全英文的，即使英文水平較好的朋友看起來(lái)也很吃力。

本站認(rèn)為，這本書(shū)和代碼是初學(xué)者入門(mén)深度學(xué)習(xí)及Keras最好的工具。

我對(duì)全部代碼做了中文解釋和注釋，并下載了代碼所需要的一些數(shù)據(jù)集（尤其是“貓狗大戰(zhàn)”數(shù)據(jù)集），并對(duì)其中一些圖像進(jìn)行了本地化，代碼全部測(cè)試通過(guò)。（請(qǐng)按照文件順序運(yùn)行，代碼前后有部分關(guān)聯(lián)）。

以下代碼包含了全書(shū)80%左右的知識(shí)點(diǎn)，代碼目錄：

2.1: A first look at a neural network（ 初識(shí)神經(jīng)網(wǎng)絡(luò)）

3.5: Classifying movie reviews（電影評(píng)論分類(lèi)：二分類(lèi)問(wèn)題）

3.6: Classifying newswires（新聞分類(lèi)：多分類(lèi)問(wèn)題 ）

3.7: Predicting house prices（預(yù)測(cè)房?jī)r(jià)：回歸問(wèn)題）

4.4: Underfitting and overfitting（ 過(guò)擬合與欠擬合）

5.1: Introduction to convnets（卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介）

5.2: Using convnets with small datasets（在小型數(shù)據(jù)集上從頭開(kāi)始訓(xùn)練一個(gè)卷積）

5.3: Using a pre-trained convnet（使用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)）

5.4: Visualizing what convnets learn（卷積神經(jīng)網(wǎng)絡(luò)的可視化）

6.1: One-hot encoding of words or characters（單詞和字符的 one-hot 編碼）

6.1: Using word embeddings（使用詞嵌入）

6.2: Understanding RNNs（理解循環(huán)神經(jīng)網(wǎng)絡(luò)）

6.3: Advanced usage of RNNs（循環(huán)神經(jīng)網(wǎng)絡(luò)的高級(jí)用法）

6.4: Sequence processing with convnets（用卷積神經(jīng)網(wǎng)絡(luò)處理序列）

8.1: Text generation with LSTM（使用 LSTM 生成文本）

8.2: Deep dream（DeepDream）

8.3: Neural style transfer（ 神經(jīng)風(fēng)格遷移）

8.4: Generating images with VAEs（用變分自編碼器生成圖像）

8.5: Introduction to GANs（生成式對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介）

中文注釋與解釋如圖：

圖：代碼的中文注釋與解釋

作者的github：

https://github.com/fchollet/deep-learning-with-python-notebooks

中文注釋代碼：

https://github.com/fengdu78/machine_learning_beginner/tree/master/deep-learning-with-python-notebooks

二、Keras

資源地址：

https://github.com/erhwenkuo/deep-learning-with-keras-notebooks

資源介紹：

這個(gè)github的repository主要是ErhWen Kuo在學(xué)習(xí)Keras的一些記錄及練習(xí)。希望在學(xué)習(xí)過(guò)程中發(fā)現(xiàn)到一些好的信息與示例也可以對(duì)想要學(xué)習(xí)使用Keras來(lái)解決問(wèn)題的同學(xué)帶來(lái)幫助。這些notebooks主要是使用Python 3.6與Keras 2.1.1版本跑在一臺(tái)配置Nivida 1080Ti的Windows 10的機(jī)臺(tái)所產(chǎn)生的結(jié)果，但有些部份會(huì)參雜一些Tensorflow與其它的函式庫(kù)的介紹。

配置環(huán)境：

python 3.6以上，Keras 2.1.1

資源目錄：

0.圖象數(shù)據(jù)集/工具介紹

• 0.0: COCO API解說(shuō)與簡(jiǎn)單示例

• 0.1:土炮自制撲克牌圖象數(shù)據(jù)集

• 0.2:使用Pillow來(lái)進(jìn)行圖像處理

1.Keras API示例

• 1.0:使用圖像增強(qiáng)來(lái)進(jìn)行深度學(xué)習(xí)

• 1.1:如何使用Keras函數(shù)式API進(jìn)行深度學(xué)習(xí)

• 1.2:從零開(kāi)始構(gòu)建VGG網(wǎng)絡(luò)來(lái)學(xué)習(xí)Keras

• 1.3:使用預(yù)訓(xùn)練的模型來(lái)分類(lèi)照片中的物體

• 1.4:使用圖像增強(qiáng)來(lái)訓(xùn)練小數(shù)據(jù)集

• 1.5:使用預(yù)先訓(xùn)練的卷積網(wǎng)絡(luò)模型

• 1.6:卷積網(wǎng)絡(luò)模型學(xué)習(xí)到什么的可視化

• 1.7:構(gòu)建自動(dòng)編碼器（Autoencoder）

• 1.8:序列到序列（Seq-to-Seq）學(xué)習(xí)介紹

• 1.9: One-hot編碼工具程序介紹

• 1.10:循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）介紹

• 1.11: LSTM的返回序列和返回狀態(tài)之間的區(qū)別

• 1.12:用LSTM來(lái)學(xué)習(xí)英文字母表順序

2.圖像分類(lèi)（Image Classification）

• 2.0: Julia（Chars74K）字母圖像分類(lèi)

• 2.1:交通標(biāo)志圖像分類(lèi)

• 2.2:辛普森卡通圖像角色分類(lèi)

• 2.3:時(shí)尚服飾圖像分類(lèi)

• 2.4:人臉關(guān)鍵點(diǎn)辨識(shí)

• 2.5: Captcha驗(yàn)證碼分類(lèi)

• 2.6: Mnist手寫(xiě)圖像分類(lèi)（MLP）

• 2.7: Mnist手寫(xiě)圖像分類(lèi)（CNN）

3.目標(biāo)檢測(cè)（Object Recognition）

• 3.0: YOLO目標(biāo)檢測(cè)算法概念與介紹

• 3.1: YOLOv2目標(biāo)檢測(cè)示例

• 3.2:浣熊（Racoon）檢測(cè)-YOLOv2模型訓(xùn)練與調(diào)整

• 3.3:浣熊（Racoon）檢測(cè)-YOLOv2模型的使用

• 3.4:袋鼠（Kangaroo）檢測(cè)-YOLOv2模型訓(xùn)練與調(diào)整

• 3.5:雙手（Hands）檢測(cè)-YOLOv2模型訓(xùn)練與調(diào)整

• 3.6:辛普森卡通圖象角色（Simpson）檢測(cè)-YOLOv2模型訓(xùn)練與調(diào)整

• 3.7: MS COCO圖象檢測(cè)-YOLOv2模型訓(xùn)練與調(diào)整

4.物體分割（Object Segmentation）

5.關(guān)鍵點(diǎn)檢測(cè)（Keypoint Detection）

6.圖象標(biāo)題（Image Caption）

7.人臉檢測(cè)識(shí)別（Face Detection/Recognition）

• 7.0:人臉檢測(cè)- OpenCV（Haar特征分類(lèi)器）

• 7.1:人臉檢測(cè)- MTCNN（Multi-task Cascaded Convolutional Networks）

• 7.2:人臉識(shí)別-臉部檢測(cè)、對(duì)齊&裁剪

• 7.3:人臉識(shí)別-人臉部特征提取&人臉?lè)诸?lèi)器

• 7.4:人臉識(shí)別-轉(zhuǎn)換、對(duì)齊、裁剪、特征提取與比對(duì)

• 7.5:臉部關(guān)鍵點(diǎn)檢測(cè)（dlib）

• 7.6:頭部姿態(tài)（Head pose）估計(jì)（dlib）

8.自然語(yǔ)言處理（Natural Language Processing）

• 8.0:詞嵌入（word embeddings）介紹

• 8.1:使用結(jié)巴（jieba）進(jìn)行中文分詞

• 8.2: Word2vec詞嵌入（word embeddings）的基本概念

• 8.3:使用結(jié)巴（jieba）進(jìn)行歌詞分析

• 8.4:使用gensim訓(xùn)練中文詞向量（word2vec）

三、Pytorch

a.Pytorch入門(mén)

資源地址：

https://github.com/yunjey/pytorch-tutorial

資源介紹：

這個(gè)資源為深度學(xué)習(xí)研究人員提供了學(xué)習(xí)PyTorch的教程代碼大多數(shù)模型都使用少于30行代碼實(shí)現(xiàn)。在開(kāi)始本教程之前，建議先看完P(guān)ytorch官方教程。

配置環(huán)境：

python 2.7或者3.5以上，pytorch 0.4

資源目錄：

1.基礎(chǔ)知識(shí)

• PyTorch基礎(chǔ)知識(shí)

• 線性回歸

• Logistic回歸

• 前饋神經(jīng)網(wǎng)絡(luò)

2.中級(jí)

• 卷積神經(jīng)網(wǎng)絡(luò)

• 深度殘差網(wǎng)絡(luò)

• 遞歸神經(jīng)網(wǎng)絡(luò)

• 雙向遞歸神經(jīng)網(wǎng)絡(luò)

• 語(yǔ)言模型（RNN-LM）

3.高級(jí)

• 生成性對(duì)抗網(wǎng)絡(luò)

• 變分自動(dòng)編碼器

• 神經(jīng)風(fēng)格轉(zhuǎn)移

• 圖像字幕（CNN-RNN）

4.工具

• PyTorch中的TensorBoard

總結(jié)

b. 60分鐘入門(mén)深度學(xué)習(xí)工具-PyTorch

作者：Soumith Chintala

翻譯：黃海廣

原文翻譯自：https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

github地址：

https://github.com/fengdu78/Data-Science-Notes/tree/master/8.deep-learning/PyTorch_beginner

本教程的目標(biāo)：

• 在高層次上理解PyTorch的張量(Tensor)庫(kù)和神經(jīng)網(wǎng)絡(luò)

• 訓(xùn)練一個(gè)小型神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類(lèi)

• 本教程假設(shè)您對(duì)numpy有基本的了解

注意：務(wù)必確認(rèn)您已經(jīng)安裝了 torch 和 torchvision 兩個(gè)包。

目錄

1.Pytorch是什么？

2.AUTOGRAD

3.神經(jīng)網(wǎng)絡(luò)

4.訓(xùn)練一個(gè)分類(lèi)器

5.數(shù)據(jù)并行

結(jié)語(yǔ)

這里是AI基礎(chǔ)的第二部分，后續(xù)還會(huì)更新，請(qǐng)大家關(guān)注公眾號(hào)的更新。（黃海廣）

備注：公眾號(hào)菜單包含了整理了一本AI小抄，非常適合在通勤路上用學(xué)習(xí)。

往期精彩回顧那些年做的學(xué)術(shù)公益-你不是一個(gè)人在戰(zhàn)斗適合初學(xué)者入門(mén)人工智能的路線及資料下載機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)在線手冊(cè)備注：加入本站微信群或者qq群，請(qǐng)回復(fù)“加群”加入知識(shí)星球（4500+用戶(hù)，ID：92416895），請(qǐng)回復(fù)“知識(shí)星球”

喜歡文章，點(diǎn)個(gè)在看

總結(jié)

以上是生活随笔為你收集整理的AI基础：走进深度学习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。