zoukankan      html  css  js  c++  java
  • (zhuan) 深度学习全网最全学习资料汇总之模型介绍篇

     

    This blog from : http://weibo.com/ttarticle/p/show?id=2309351000224077630868614681&u=5070353058&m=4077873754872790&cu=5070353058

     

    深度学习全网最全学习资料汇总之模型介绍篇

    雷锋网  作者: 三川 2017-02-21 16:38:00 查看源网址
    阅读数:4

     

    本文旨在加速深度学习新手入门,介绍 CNN、DBN、RNN、RNTN、自动编码器、GAN 等开发者最常用的深度学习模型与架构。雷锋网搜集整理了涉及以上话题的精品文章,供初学者参考。

    卷积

    神经网络

    CNN


    Yann Lecun 的 CNN 话题演讲+ppt。

    链接:http://www.leiphone.com/news/201608/zaB48AcZ1AFm1TaP.html

    • 卷积神经网络(CNN)新手指南

    翻译自国外的 CNN 教程,解释详细,浅显易懂。本文分为两部分。

    链接:http://www.leiphone.com/news/201607/KjXQ1dFpOQfhTEdK.html

    http://www.leiphone.com/news/201608/GBJqHBnfDhq22qpD.html

    • 卷积神经网络全面解析

    作者自己的博客,归纳总结了关键知识点,深入浅出。

    链接:http://www.moonshile.com/post/juan-ji-shen-jing-wang-luo-quan-mian-jie-xi

    • 卷积神经网络(CNN)学习笔记

    同样是博客,重点介绍了 CNN 的网络结构和训练过程。ppt 做得非常用心,分为两个部分。

    链接:http://www.jeyzhang.com/cnn-learning-notes-1.html

    http://www.jeyzhang.com/cnn-learning-notes-2.html

    • 卷积神经网络

    作者的一些心得体会颇值得参考。

    链接:http://blog.csdn.net/stdcoutzyx/article/details/41596663

    递归神经网络 RNN 及 LSTM

    • 想了解递归神经网络?这里有一份入门教程

    零基础认识 RNN,介绍核心知识点。

    链接:http://www.leiphone.com/news/201608/syAwLNx4bGPuFYI1.html

    • 理解LSTM网络

    翻译而来,原文是讲解 LSTM 最受欢迎的英语文章之一,非常值得一读。如同标题,它侧重理解而不是算法实现。译者的功底很深,语言清楚明白;当然,原作者对该话题的理解十分深刻,否则不能把原本晦涩的知识点讲解得这么清楚。http://www.jeyzhang.com/understanding-lstm-network.html

    • 谷歌大脑科学家亲解 LSTM:一个关于“遗忘”与“记忆”的故事

    同样是翻译而来,同样是国外 LSTM 最经典的介绍文章之一,作者是 Google Brain 科学家 Christopher Olah。文中示意图看着有没有很眼熟?因为它们与上文本是同一套。

    链接:http://www.leiphone.com/news/201701/UIlrDBnwiqoQUbqB.html

    • 深度RNN解决语义搜索难题

    如何借助 RNN 构造语义搜索引擎,本文介绍了三种实现模式。

    链接:http://www.leiphone.com/news/201608/qTGP6gqnkefJSgiH.html  

    • 递归神经网络之父施米德休:他和DeepMind有不解之缘

    顺便来点八卦内容,看看 RNN 发明者的开挂人生。

    链接:http://www.leiphone.com/news/201603/xEsltgZe9O1pk1NP.html

    • RNN以及LSTM的介绍和公式梳理

    根据外文教材和论文整理的算法原理和公式。

    链接:http://blog.csdn.net/Dark_Scope/article/details/47056361

    递归张量神经网络 RNTN

    • RNTN-递归张量神经网络

    简单介绍 RNTN 的优点和原理。

    链接:http://blog.csdn.net/star_bob/article/details/47835563

    国内关于 RNTN 的资料实在太少,在教科书和网上公开课程之外,开发者可以看看 RNTN 之父 Richard Socher, 的论文:《Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank 》

    链接:http://nlp.stanford.edu/~socherr/EMNLP2013_RNTN.pdf

    Deeplearning4j 还有一个短文,提到了 RNTN 模型的一些搭建要点。

    链接:https://deeplearning4j.org/recursiveneuraltensornetwork.html

    自动编码器 Autoencoder

    • 自编码算法与稀疏性

    这是斯坦福百科论坛里,对稀疏自动编码器的中文介绍,是一篇很好的翻译文章。

    链接:http://deeplearning.stanford.edu/wiki/index.php/自编码算法与稀疏性

    • 稀疏自动编码器 (Sparse Autoencoder)

    对稀疏自动编码器的数学推导。作者表示,吴恩达老师的机器学习课程讲解了这些概念,但受到时间限制不得不略过了推导和数学原理部分。本文是对其的补充。

    链接:https://my.oschina.net/findbill/blog/541143

    • 为什么稀疏自编码器很少见到多层的?

    这是知乎上的问答,不仅回答了以上问题,还梳理了自动编码器的原理。

    链接:https://www.zhihu.com/question/41490383

    • 深度学习算法实践13---去噪自动编码机(Denosing Autoencoder)

    对自动编码器(以及去噪自动编码器)原理和应用的介绍,简单易懂,对小白十分友好。

    链接:http://blog.csdn.net/yt7589/article/details/52368608

    • Deep Learning(深度学习)学习笔记整理

    综合的深度学习笔记,涉及它的原理和训练技巧。但它重点对自动编码器,以及它的两个变种——稀疏自动编码器和去噪自动编码器做了原理介绍。

    链接:http://www.dataguru.cn/article-3339-2.html

    生成对抗网络 GAN

    • “GANs之父”Goodfellow 38分钟视频亲授:如何完善生成对抗网络?(上)

    如题,Ian Goodfellow 在 NIPS 大会上的演讲,含部分 ppt。

    链接:http://www.leiphone.com/news/201612/eAOGpvFl60EgFSwS.html

    • “GAN之父”Goodfellow与网友互动:关于GAN的11个问题(附视频)

    Ian Goodfellow NIPS 大会演讲的互动部分,回答了现场嘉宾提问。

    链接:http://www.leiphone.com/news/201612/JMWZE6BXRZxB1A6d.html

    • 深度学习新星:GAN的基本原理、应用和走向 | 硬创公开课

    新加坡国立大学冯佳时教授对 GAN 的综合讲解。

    链接:http://www.leiphone.com/news/201701/Kq6FvnjgbKK8Lh8N.html

    • 深度解读:GAN模型及其在2016年度的进展

    中科院博士、计算技术研究所助理教授杨双对 GAN 的讲解。

    链接:http://www.leiphone.com/news/201701/Hrv1qUS6GYl1vl7O.html

    • 生成对抗网络(GANs )为什么这么火?盘点它诞生以来的主要技术进展

    回顾生成对抗网络 2014-2016 的四项重大里程碑。

    链接:http://www.leiphone.com/news/201612/Cdcb1X9tm1zsGSWD.html

    • GAN 很复杂?如何用不到 50 行代码训练 GAN(基于 PyTorch)

    本文作者为前谷歌高级工程师、AI 初创公司 Wavefront 创始人兼 CTO Dev Nag,介绍了他是如何用不到五十行代码,在 PyTorch 平台上完成对 GAN 的训练。全套训练代码发布于 GitHub,链接在文末。

    链接:http://yingpeng.leiphone.com/article/update?id=161673

    • GAN学习指南:从原理入门到制作生成Demo,总共分几步?

    对 GAN、DCGAN 的原理介绍,对基于Tensorflow的 DCGAN 实践作了简要说明。

    链接:http://www.leiphone.com/news/201701/yZvIqK8VbxoYejLl.html

    • 令人拍案叫绝的 Wasserstein GAN

    原始 GAN 的问题以及 WGAN 的优点。

    链接:http://www.leiphone.com/news/201702/EU12GVIe2pNGtgEk.html

    • LS-GAN作者诠释新型GAN:条条大路通罗马,把GAN建立在Lipschitz密度上

    LS-GAN 以及它与 WGAN、GAN 的不同之处。

    链接:http://www.leiphone.com/news/201702/QlPJUIqgyw6brWr2.html

    • GAN的理解与TensorFlow的实现

    介绍生成式模型的原理。作者创建了基于 TensorFlow 的 Info-GAN 模型,发布于 GitHub,文中附链接。

    链接:http://www.leiphone.com/news/201702/GZsIbIb9V9AUGmb6.html

    深度置信网络 DBN 和受限玻尔兹曼机 RBM

    • 受限玻尔兹曼机基础教程

    如题,deeplearning4j 的教程。

    链接:https://deeplearning4j.org/cn/archieved/zh-restrictedboltzmannmachine

    • 受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)

    翻译自国外的 RBM 的实践教程。

    链接:http://www.cnblogs.com/tuhooo/p/5440473.html

    • 深度学习方法:受限玻尔兹曼机 RBM 网络模型

    本文分为四部分,是对 RBM 的较详细讲解,分为四部分。

    链接:http://blog.csdn.net/xbinworld/article/details/44901865

    http://blog.csdn.net/xbinworld/article/details/45013825

    http://blog.csdn.net/xbinworld/article/details/45128733

    http://blog.csdn.net/xbinworld/article/details/45274289

    • Deep Learning(深度学习)学习笔记整理系列之(六)

    对 RBM 和 DBN 原理知识点的整理。

    链接:http://blog.csdn.net/zouxy09/article/details/8781396/

    • 深度信念网络(Deep Belief Network)

    另一篇学习笔记整理。

    链接:http://blog.csdn.net/losteng/article/details/51001247

    • 机器学习——DBN深度信念网络详解

    对 DBN 的简要介绍,文中对 RBM 的图解十分有帮助。

    链接:http://m.blog.csdn.net/article/details?id=52184189

    • 受限玻尔兹曼机(Restricted Boltzmann Machine, RBM) 简介

    如题,对其算法的简介。

    链接:http://www.cnblogs.com/kemaswill/p/3203605.html 雷锋网(公众号:雷锋网)版权雷锋网版权

  • 相关阅读:
    LC.225. Implement Stack using Queues(using two queues)
    LC.232. Implement Queue using Stacks(use two stacks)
    sort numbers with two stacks(many duplicates)
    LC.154. Find Minimum in Rotated Sorted Array II
    LC.81. Search in Rotated Sorted Array II
    LC.35.Search Insert Position
    前后端分离:(一)
    Redis基本使用(一)
    GIT篇章(二)
    GIT篇章(一)
  • 原文地址:https://www.cnblogs.com/wangxiaocvpr/p/6427348.html
Copyright © 2011-2022 走看看