深度學習

多圖｜入門必看：萬字長文帶你輕鬆瞭解LSTM全貌

做者 | Edwin Chen編譯 | AI100第一次接觸長短時間記憶神經網絡（LSTM）時，我驚呆了。原來，LSTM是神經網絡的擴展，很是簡單。深度學習在過去的幾年裏取得了許多驚人的成果，均與LSTM息息相關。所以，在本篇文章中我會用盡量直觀的方式爲你們介紹LSTM——方便…

深度學習如何入門？

深度學習入門必看

用深度學習（CNN RNN Attention）解決大規模文本分類問題 - 綜述和實踐

介紹了應用深度學習解決文本分類的相關的思路、作法和部分實踐的經驗。

引用數最多的深度學習論文合集

Awesome - Most Cited Deep Learning Papers

深度學習初探 - 入門 DL 主流框架

深度學習 (deep learning)：深度學習是機器學習中的一個分支，試圖經過具備多個處理層的計算模型對數據進行多層抽象。

機器學習進階筆記之一 | TensorFlow 安裝與入門

TensorFlow 是 Google 基於 DistBelief 進行研發的第二代人工智能學習系統，被普遍用於語音識別或圖像識別等多項機器深度學習領域。其命名來源於自己的運行原理。Tensor（張量）意味着 N 維數組，Flow（流）意味着基於數據流圖的計算，TensorFlow 表明着張量從圖象的一端流動到另外一端計算過程，是將複雜的數據結構傳輸至人工智能神經網中進行分析和處理的過程。

詳解 TensorBoard 如何調參

這篇文章簡單介紹了 TensorBoard 各板塊上的主要功能，並且用了一個小例子，看如何借用各個板塊的可視化結果來幫助咱們調優模型。

從基本概念到實現，全卷積網絡實現更簡潔的圖像識別

衆所周知，圖像就是像素值的集合，而這個觀點能夠幫助計算機科學家和研究者們構建一個和人類大腦類似並能實現特殊功能的神經網絡。有時候，這種神經網絡甚至能超過人類的準準度。

沒有博士學位如何玩轉 TensorFlow 和深度學習

谷歌的開發者表明 Martin Görner 分兩部分進行了主題爲「沒有博士學位玩轉 TensorFlow 和深度學習（TensorFlow and Deep Learning without a PhD）」的詳細講解。

機器學習進階筆記之十 | 那些 TensorFlow 上好玩的黑科技

TensorFlow 是 Google 基於 DistBelief 進行研發的第二代人工智能學習系統，被普遍用於語音識別或圖像識別等多項機器深度學習領域。其命名來源於自己的運行原理。Tensor（張量）意味着 N 維數組，Flow（流）意味着基於數據流圖的計算，TensorFlow 表明着張量從圖象的一端流動到另外一端計算過程，是將複雜的數據結構傳輸至人工智能神經網中進行分析和處理的過程。

TensorFlow 徹底開源，任何人均可以使用。可在小到一部智能手機、大到數千臺數據中心服務器的各類設備上運行。

『機器學習進階筆記』系列將深刻解析 TensorFlow 系統的技術實踐，從零開始，由淺入深，與你們一塊兒走上機器學習的進階之路。

MNIST 機器學習入門（TensorFlow）

這篇文章包括學習 MNIST 的數據解析以及 softmax 迴歸算法，建立一個基於圖片像素識別圖片數字的模型，使用 TensorFlow 來訓練模型識別數字和使用咱們的測試數據來驗證模型的準確性。

深度學習入門實戰（一）

如今人工智能是個大熱點，而人工智能離不開機器學習，機器學習中深度學習又是比較熱門的方向，本系列文章就從實戰出發，介紹下如何使用 MXnet 進行深度學習~

零基礎入門深度學習（1）：感知器，激活函數

零基礎入門深度學習 (1) - 感知器零基礎入門深度學習 (2) - 線性單元和梯度降低零基礎入門深度學習 (3) - 神經網絡和反向傳播算法零基礎入門深度學習 (4) - 卷積神經網絡 零基礎入門深度學習 (5) - 循環神經網絡。 零基礎入門深度學習 (6) - 長短時記憶網絡 (LSTM)。 不管即將到來的是大數據時代仍是人工智能時代，亦或是傳統行業使用人工智能在雲上處理大數據的時代

技能 | 如何開始深度學習？這裏有一份完整的攻略

本文是做者機器學習的經驗總結，適合全部對機器學習感興趣的初學者。
經過本文，你能夠了解到機器學習的基礎知識、梯度降低法、反向傳播算法、架構、圖像處理方法、天然語言處理方法以及（高級）無監督學習基礎等多個方面的內容。此外，對於初學者的延伸學習，做者也給出了本身的建議。

「Deep Learning」------ 大總結

一份關於深度學習的比較全面的總結。

走進深度學習，你須要先了解這 25 個概念和術語...

若是你是一個想學習或理解深度學習的人，這篇文章是爲你量身定作的。在本文中，咱們將介紹深度學習中經常使用的各類術語。我爲你建立了一個相似於深度學習的字典，你能夠在須要使用最經常使用術語的基本定義時進行參考。

入門級攻略：機器學習 VS. 深度學習

本文以淺顯易懂的語言介紹了機器學習和深度學習的定義及應用，以及在源數據要求，硬件支持，特徵工程、問題解決方式、執行時間及可解釋性等方面的區別，對於新手入門有很大啓示意義。

入門神經網絡：梯度降低

梯度降低是機器學習中較爲基本也比較常見的一類優化算法的總稱。這篇文章就介紹了梯度降低，有代碼實現。

人人均可以作深度學習應用：入門篇

人工智能浪潮來襲，想學習殊不知從何入手？本文帶領你邁出成爲 「AI 工程師」 的第一步！（附 Demo）

谷歌推人工智能繪圖工具 AutoDraw

Google 這個公司還真挺有意思，至少我對它充滿好奇和期待，感受時不時總會推出一些創新的東西，一直引領着世界 IT 行業的創新潮流。好比 autodraw 我以爲就是一個拯救手殘黨的神器。

資源 | 斯坦福大學 Tensorflow 深度學習課程表

你是怎麼開始 AI 學習之路呢？是以理論爲中心從數學基礎開始，仍是以工具爲中心，以用促練，以練促學呢？

本身學習深度學習時，有哪些途徑尋找數據集？

不少有價值的數據集

簡易的深度學習框架 Keras 代碼解析與應用

語言簡潔地講解 keras 框架的安裝與使用。

淘寶搜索 / 推薦系統背後深度強化學習與自適應在線學習的實踐之路

淘寶的搜索引擎涉及對上億商品的毫秒級處理響應，而淘寶的用戶不只數量巨大，其行爲特色以及對商品的偏好也具備豐富性和多樣性。所以，要讓搜索引擎對不一樣特色的用戶做出針對性的排序，並以此帶動搜索引導的成交提高，是一個極具挑戰性的問題。傳統的 Learning to Rank（LTR）方法主要是在商品維度進行學習，根據商品的點擊、成交數據構造學習樣本，迴歸出排序權重。LTR 學習的是當前線上已經展現出來商品排序的現象，對已出現的結果集合最好的排序效果，受到了自己排序策略的影響，咱們有大量的樣本是不可見的，因此 LTR 模型從某種意義上說是解釋了過去現象，並不必定真正全局最優的。針對這個問題，有兩類的方法，其中一類嘗試在離線訓練中解決 online 和 offline 不一致的問題，衍生出 Counterfactural Machine Learning 的領域。另一類就是在線 trial-and-error 進行學習，如 Bandit Learning 和 Reinforcement Learning。

[[透析] 卷積神經網絡 CNN 到底是怎樣一步一步工做的？](https://juejin.im/entry/59229...

很深刻詳細地講解了 CNN。講得很明白。

GitHub 上 57 款最流行的開源深度學習項目

GitHub 上 57 款最流行的開源深度學習項目

本文整理了 GitHub 上最流行的 57 款深度學習項目（按 stars 排名）。

基礎深度學習概念備忘錄

基礎深度學習概念備忘錄翻譯自 DeepLearning Cheat Sheet。筆者仍是菜鳥一枚，如有謬誤請多多賜教，另外若是但願瞭解更多機器學習 & 深度學習的資料能夠參考筆者的面向程序猿的數據科學與機器學習知識體系及資料合集以及程序猿的數據科學與機器學習實戰手冊。

深度學習入門實戰（二）- 用 TensorFlow 訓練線性迴歸

騰訊雲技術社區 - 掘金主頁持續爲你們呈現雲計算技術文章，歡迎你們關注！ 做者 ：董超 上一篇文章咱們介紹了 MxNet 的安裝，但 MxNet 有個缺點，那就是文檔不太全，用起來多是要看源代碼才能理解某個方法的含義，因此今天咱們就介紹一下 TensorFlow，這個由谷歌爸爸出…

深度學習卷積神經網絡的秒懂各類操做

圖解卷積神經的各類操做，包括一些神奇的有趣的 GIF 動畫。

機器學習 (Machine Learning)& 深度學習(Deep Learning) 資料(Chapter 1)

很是全面的一篇學習資料

Python 深度學習框架回顧

但願在本文中基於本身的工做經歷對於 2017 年中的 Python 深度學習生態進行一個綜合宏觀的介紹，但願爲初學者勾勒出一幅清晰的羣雄逐鹿圖

TensorFlow 深度學習筆記 卷積神經網絡

做者關於卷積神經網絡的筆記。

[[譯] 用神經網絡進行文本分類](https://juejin.im/entry/58aa6...

理解聊天機器人如何工做是很重要的。聊天機器人內部一個基礎的組成部分是文本分類器。讓咱們一塊兒來探究一個用於文本分類的人工神經網絡的內部結構。

機器學習進階筆記之七 | MXnet 初體驗

前段時間，『機器學習進階筆記』系列一直關注 TensorFlow 系統的技術實踐（想看 TensorFlow 技術實踐的同窗可直接拉到文章底部看相關閱讀推薦），幫助你們從零開始，由淺入深，走上機器學習的進階之路。雖然以前都在誇 TensorFlow 的好，但其劣勢也很明顯——對計算力要求過高，雖然使用方便，可是顯存佔用過高，計算也不夠快，作公司項目還好，本身玩一些好玩的東西時太費時間了。

簡而言之，窮！

今天新開一篇，給你們介紹另外一個優秀而強大的深度學習框架——MXnet，如今 MXnet 資源相對少一點，基於 MXnet 的有意思的開源項目也相對少一點，不過不要緊，都不是問題，他的優勢是足夠靈活，速度足夠快，擴展新的功能比較容易，還有就是造 MXnet 都是一羣說得上名字的大牛，能和大牛們玩同樣的東西，想一想都很興奮有沒有！

那咱們開始吧：）