Deep learning

来自开放百科 - 灰狐
（版本间的差异）
跳转到： 导航, 搜索
小 (→‎培训)
小 (→‎项目)
 
（未显示1个用户的15个中间版本）
第6行： 第6行：
  
 
==简介==
 
==简介==
 +
提出深度置信网络(Deep Belief Networks，DBN) 的 2006 年视作机器学习领域中的深度学习元年。
  
 
==10大架构==
 
==10大架构==
第21行： 第22行：
  
 
==项目==
 
==项目==
 +
[[文件:apache-tvm-logo.png|right|Apache TVM]]
 
*[https://github.com/ChristosChristofidis/awesome-deep-learning Awesome Deep Learning] [[image:awesome.png]]
 
*[https://github.com/ChristosChristofidis/awesome-deep-learning Awesome Deep Learning] [[image:awesome.png]]
 
*[https://blog.openai.com/infrastructure-for-deep-learning/ Infrastructure for Deep Learning]
 
*[https://blog.openai.com/infrastructure-for-deep-learning/ Infrastructure for Deep Learning]
第26行： 第28行：
 
*[[Deeplearning4j]], [http://deeplearning4j.org/glossary 深度学习词汇表]
 
*[[Deeplearning4j]], [http://deeplearning4j.org/glossary 深度学习词汇表]
 
*[[Apache SINGA]]
 
*[[Apache SINGA]]
 +
*[https://github.com/apache/tvm Apache TVM]
 
*[[H2O]]
 
*[[H2O]]
 
*[[Caffe]]
 
*[[Caffe]]
第45行： 第48行：
  
 
==图书==
 
==图书==
−
*[http://book.huihoo.com/deep-learning/ 《Deep Learning》]
+
*[http://book.huihoo.com/deep-learning/ 《Deep Learning》] [https://www.amazon.cn/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0-%E4%BC%8A%E6%81%A9-%E5%8F%A4%E5%BE%B7%E8%B4%B9%E6%B4%9B/dp/B073LWHBBY/ 《深度学习(deep learning)》 ]深度学习领域目前最经典的图书，没有之一。[https://github.com/exacity/deeplearningbook-chinese 在GitHub上阅读Deep Learning中文翻译或下载本书]
  
 
==文档==
 
==文档==
第117行： 第120行：
  
 
==培训==
 
==培训==
−
*[https://mooc.study.163.com/smartSpec/detail/1001319001.htm 网易云课堂deeplearning.ai免费课程]
+
*[https://study.163.com/topics/deepLearning/ 网易云课堂deeplearning.ai免费课程]
−
 
+
*[https://stanford.edu/~shervine/teaching/cs-230/ CS 230 ― Deep Learning]
−
[[文件:deeplearning.ai-training.png|thumb|成为深度学习工程师的第一步]]
+
*[https://github.com/d2l-ai/d2l-zh 《动手学深度学习》]
  
 
==图集==
 
==图集==
 
<gallery>
 
<gallery>
 +
image:Neural-Network-and-Deep-Learning.png|神经网络与深度学习
 
image:deep-learning-and-ai.png|深度学习
 
image:deep-learning-and-ai.png|深度学习
 
image:machine-learning-vs-deep-learning.png|机器学习和深度学习
 
image:machine-learning-vs-deep-learning.png|机器学习和深度学习
 +
image:probabilistic-graphical-models.png|概率图模型
 +
image:deeplearning.ai-training.png|成为深度学习工程师的第一步
 
image:popular-deep-learning-models.png|深度学习模型
 
image:popular-deep-learning-models.png|深度学习模型
 +
image:reinforcement-learning.png|强化学习
 
image:deep-learning-input-output-flow.png|输入输出流
 
image:deep-learning-input-output-flow.png|输入输出流
 
image:deep-learning-use-case-industries.png|工业应用
 
image:deep-learning-use-case-industries.png|工业应用
 +
image:five-industry-applications-of-deep-learning.png|五大应用
 
image:facebook-big-sur-gpu-server.jpg|Facebook Big Sur
 
image:facebook-big-sur-gpu-server.jpg|Facebook Big Sur
 +
image:tvm-stack.png|TVM
 +
image:vta_stack.png|VTA
 
</gallery>
 
</gallery>
  

2022年3月11日 (五) 08:44的最后版本

Wikipedia-35x35.png 您可以在Wikipedia上了解到此条目的英文信息 Deep learning Thanks, Wikipedia.

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural network，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度信念网络（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。

目录

[编辑] 简介

提出深度置信网络(Deep Belief Networks，DBN) 的 2006 年视作机器学习领域中的深度学习元年。

[编辑] 10大架构

10 Advanced Deep Learning Architectures Data Scientists Should Know!

  • 1. AlexNet
  • 2. VGG Net
  • 3. GoogleNet
  • 4. ResNet
  • 5. ResNeXt
  • 6. RCNN (Region Based CNN)
  • 7. YOLO (You Only Look Once)
  • 8. SqueezeNet
  • 9. SegNet
  • 10. GAN (Generative Adversarial Network)

[编辑] 项目

Apache TVM

[编辑] 图书

[编辑] 文档

[编辑] 论文

arXiv 2015 深度学习年度十大论文

  • 1、无穷维度的词向量 Infinite Dimensional Word Embeddings
  • 2、利用可逆学习进行基于梯度的超参数优化 Gradient-based Hyperparameter Optimization through Reversible Learning
  • 3、在线加速学习 Speed Learning on the Fly
  • 4、空间变换网络 Spatial Transformer Networks
  • 5、聚类对于近似最大内积搜索来说是高效的 Clustering is Efficient for Approximate Maximum Inner Product Search
  • 6、在线无回溯训练递归神经网络 Training Recurrent Networks Online without Backtracking
  • 7、利用梯形网络进行半监督式学习 Semi-Supervised Learning with Ladder Network
  • 8、通往基于神经网络的推理 Towards Neural Network-Based Reasoning
  • 9、对递归神经网络序列预测的定期采样 Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks
  • 10、LSTM：漫游搜索 LSTM: A Search Space Odyssey

[编辑] 入门资源索引

深度学习入门资源索引

深度学习（Deep Learning）属于非常前沿的学科，没有现成的的综合型教材，主要是通过阅读大量论文和代码练习来学习。值得读的经典论文很多，下面介绍的一些教程中多少都有提及，另外就是去google重要文献。代码方面推荐使用python为基础的theano框架，因为它比较偏底层，可以从细节掌握如何构建一个深度学习模块，而且方便结合python在数据领域的其它积累，例如numpy。当然到了生产环境你可以再考虑torch之类的框架。从代码角度切入学习的好处是，理解起来不会像理论切入那么枯燥，可以很快做起一个好玩的东西。当然，最后你还是得补充理论的。下面精选介绍一些本人在学习时遇到的好教程。

该站提供了一系列的theano代码示范，通过研究模仿，就可以学会包括NN/DBN/CNN/RNN在内的大部分主流技术。其中也有很多文献连接以供参考。

第1部分的教程中，神经网格的参数是theano自动求导的，如果想深入了解细节，还得手动推导加代码实现一遍。该教程对BP神经网络的理论细节讲的非常好。

该书内容比较广泛，虽未最终完成，但已初见气象。用来完善理论知识是再好不过。

前面三部分相当于导论，比较宽泛一些，该教程则是专注于卷积神经网络在图像视觉领域的运用，CNN方面知识由此深入。

本教程则偏重于深度学习在自然语言处理领域的运用，词向量等方面知识由此深入。

该博客讲的RNN是非常棒的系列，不可不读。

keras框架是基于theano的上层框架，容易快速出原型，网站中提供的大量实例也是非常难得的研究资料。

该教程是第5部分的补充，理论讲的不多，theano和keras代码讲的很多，附带的代码笔记很有参考价值。

牛津大学的机器学习课程，讲到了大量深度学习和强化学习的内容，适合于复习过一遍。

到这里，你的理论和代码功力应该差不多入门了，可以组个GPU机器来大干一场了。可以参考笔者这个博客来攒个机器。

  • 11、去kaggle实战玩玩吧

[编辑] 厂商

[编辑] 培训

[编辑] 图集

  • 神经网络与深度学习

  • 深度学习

  • 机器学习和深度学习

  • 概率图模型

  • 成为深度学习工程师的第一步

  • 深度学习模型

  • 强化学习

  • 输入输出流

  • 工业应用

  • 五大应用

  • Facebook Big Sur

  • TVM

  • VTA

[编辑] 链接

来自“http://wiki.huihoo.com/wiki/?title=Deep_learning&oldid=161333”
分享您的观点
个人工具
名字空间

变换
操作
导航
工具箱