深度學習全網最全學習資料匯總之模型介紹篇

本文作者：三川

2017-02-21 16:38

導語：介紹 CNN、DBN、RNN、RNTN、自動編碼器和 GAN 的精品文章，都在這里了。

本文旨在加速深度學習新手入門，介紹 CNN、DBN、RNN、RNTN、自動編碼器、GAN 等開發者最常用的深度學習模型與架構。雷鋒網搜集整理了涉及以上話題的精品文章，供初學者參考。

卷積神經網絡 CNN

深度學習元老Yann Lecun詳解卷積神經網絡

Yann Lecun 的 CNN 話題演講+ppt。

鏈接：http://www.zaocj.com/news/201608/zaB48AcZ1AFm1TaP.html

卷積神經網絡（CNN）新手指南

翻譯自國外的 CNN 教程，解釋詳細，淺顯易懂。本文分為兩部分。

鏈接：http://www.zaocj.com/news/201607/KjXQ1dFpOQfhTEdK.html

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

卷積神經網絡全面解析

作者自己的博客，歸納總結了關鍵知識點，深入淺出。

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

卷積神經網絡(CNN)學習筆記

同樣是博客，重點介紹了 CNN 的網絡結構和訓練過程。ppt 做得非常用心，分為兩個部分。

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

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

卷積神經網絡

作者的一些心得體會頗值得參考。

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

遞歸神經網絡 RNN 及 LSTM

想了解遞歸神經網絡？這里有一份入門教程

零基礎認識 RNN，介紹核心知識點。

鏈接：http://www.zaocj.com/news/201608/syAwLNx4bGPuFYI1.html

理解LSTM網絡

翻譯而來，原文是講解 LSTM 最受歡迎的英語文章之一，非常值得一讀。如同標題，它側重理解而不是算法實現。譯者的功底很深，語言清楚明白；當然，原作者對該話題的理解十分深刻，否則不能把原本晦澀的知識點講解得這么清楚。

鏈接：http://www.jeyzhang.com/understanding-lstm-network.html

谷歌大腦科學家親解 LSTM：一個關于“遺忘”與“記憶”的故事

同樣是翻譯而來，同樣是國外 LSTM 最經典的介紹文章之一，作者是 Google Brain 科學家 Christopher Olah。文中示意圖看著有沒有很眼熟？因為它們與上文本是同一套。

鏈接：http://www.zaocj.com/news/201701/UIlrDBnwiqoQUbqB.html

深度RNN解決語義搜索難題

如何借助 RNN 構造語義搜索引擎，本文介紹了三種實現模式。

鏈接：http://www.zaocj.com/news/201608/qTGP6gqnkefJSgiH.html

遞歸神經網絡之父施米德休：他和DeepMind有不解之緣

順便來點八卦內容，看看 RNN 發明者的開掛人生。

鏈接：http://www.zaocj.com/news/201603/xEsltgZe9O1pk1NP.html

RNN以及LSTM的介紹和公式梳理

根據外文教材和論文整理的算法原理和公式。

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

遞歸張量神經網絡 RNTN

RNTN-遞歸張量神經網絡

簡單介紹 RNTN 的優點和原理。

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

國內關于 RNTN 的資料實在太少，在教科書和網上公開課程之外，開發者可以看看 RNTN 之父 Richard Socher, 的論文：《Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank 》

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

Deeplearning4j 還有一個短文，提到了 RNTN 模型的一些搭建要點。

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

自動編碼器 Autoencoder

自編碼算法與稀疏性

這是斯坦福百科論壇里，對稀疏自動編碼器的中文介紹，是一篇很好的翻譯文章。

鏈接：http://deeplearning.stanford.edu/wiki/index.php/%E8%87%AA%E7%BC%96%E7%A0%81%E7%AE%97%E6%B3%95%E4%B8%8E%E7%A8%80%E7%96%8F%E6%80%A7

稀疏自動編碼器（Sparse Autoencoder）

對稀疏自動編碼器的數學推導。作者表示，吳恩達老師的機器學習課程講解了這些概念，但受到時間限制不得不略過了推導和數學原理部分。本文是對其的補充。

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

為什么稀疏自編碼器很少見到多層的？

這是知乎上的問答，不僅回答了以上問題，還梳理了自動編碼器的原理。

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

深度學習算法實踐13---去噪自動編碼機（Denosing Autoencoder）

對自動編碼器（以及去噪自動編碼器）原理和應用的介紹，簡單易懂，對小白十分友好。

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

Deep Learning（深度學習）學習筆記整理

綜合的深度學習筆記，涉及它的原理和訓練技巧。但它重點對自動編碼器，以及它的兩個變種——稀疏自動編碼器和去噪自動編碼器做了原理介紹。

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

生成對抗網絡 GAN

“GANs之父”Goodfellow 38分鐘視頻親授：如何完善生成對抗網絡？（上）

如題，Ian Goodfellow 在 NIPS 大會上的演講，含部分 ppt。

鏈接：http://www.zaocj.com/news/201612/eAOGpvFl60EgFSwS.html

“GAN之父”Goodfellow與網友互動：關于GAN的11個問題（附視頻）

Ian Goodfellow NIPS 大會演講的互動部分，回答了現場嘉賓提問。

鏈接：http://www.zaocj.com/news/201612/JMWZE6BXRZxB1A6d.html

深度學習新星：GAN的基本原理、應用和走向 | 硬創公開課

新加坡國立大學馮佳時教授對 GAN 的綜合講解。

鏈接：http://www.zaocj.com/news/201701/Kq6FvnjgbKK8Lh8N.html

深度解讀：GAN模型及其在2016年度的進展

中科院博士、計算技術研究所助理教授楊雙對 GAN 的講解。

鏈接：http://www.zaocj.com/news/201701/Hrv1qUS6GYl1vl7O.html

生成對抗網絡（GANs ）為什么這么火？盤點它誕生以來的主要技術進展

回顧生成對抗網絡 2014-2016 的四項重大里程碑。

鏈接：http://www.zaocj.com/news/201612/Cdcb1X9tm1zsGSWD.html

GAN 很復雜？如何用不到 50 行代碼訓練 GAN（基于 PyTorch）

本文作者為前谷歌高級工程師、AI 初創公司 Wavefront 創始人兼 CTO Dev Nag，介紹了他是如何用不到五十行代碼，在 PyTorch 平臺上完成對 GAN 的訓練。全套訓練代碼發布于 GitHub，鏈接在文末。

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

GAN學習指南：從原理入門到制作生成Demo，總共分幾步？

對 GAN、DCGAN 的原理介紹，對基于 Tensorflow 的 DCGAN 實踐作了簡要說明。

鏈接：http://www.zaocj.com/news/201701/yZvIqK8VbxoYejLl.html

令人拍案叫絕的 Wasserstein GAN

原始 GAN 的問題以及 WGAN 的優點。

鏈接：http://www.zaocj.com/news/201702/EU12GVIe2pNGtgEk.html

LS-GAN作者詮釋新型GAN：條條大路通羅馬，把GAN建立在Lipschitz密度上

LS-GAN 以及它與 WGAN、GAN 的不同之處。

鏈接：http://www.zaocj.com/news/201702/QlPJUIqgyw6brWr2.html

GAN的理解與TensorFlow的實現

介紹生成式模型的原理。作者創建了基于 TensorFlow 的 Info-GAN 模型，發布于 GitHub，文中附鏈接。

鏈接：http://www.zaocj.com/news/201702/GZsIbIb9V9AUGmb6.html

深度置信網絡 DBN 和受限玻爾茲曼機 RBM

受限玻爾茲曼機基礎教程

如題，deeplearning4j 的教程。

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

受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）

翻譯自國外的 RBM 的實踐教程。

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

深度學習方法：受限玻爾茲曼機 RBM 網絡模型

本文分為四部分，是對 RBM 的較詳細講解，分為四部分。

鏈接：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（深度學習）學習筆記整理系列之（六）

對 RBM 和 DBN 原理知識點的整理。

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

深度信念網絡(Deep Belief Network)

另一篇學習筆記整理。

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

機器學習——DBN深度信念網絡詳解

對 DBN 的簡要介紹，文中對 RBM 的圖解十分有幫助。

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

受限玻爾茲曼機(Restricted Boltzmann Machine, RBM) 簡介

如題，對其算法的簡介。

鏈接：http://www.cnblogs.com/kemaswill/p/3203605.html 雷鋒網版權雷鋒網版權

深度學習全網最全學習資料匯總之入門篇

12人收藏

三川

用愛救世界

發私信

當月熱門文章