前言
經過大半年斷斷續續的學習和實踐，終於將深度學習的基礎知識看完了，雖然還有很多比較深入的內容沒有涉及到，但也是感覺收穫滿滿。因爲是斷斷續續的學習做筆記寫代碼跑實驗，所以筆記也零零散散的散落在每個角落，查詢起來也非常不便，因此這裏再做一個目錄進行彙總一下，一來，可以方便自己以後查看，二來，也希望能夠幫助到需要同學們。
格言：時間就像一張網，網撒在哪裏，收穫就在哪裏。
一起加油 😄
環境配置
在所有的博文中都忘記了添加系統環境配置信息，那就在這裏統一寫一下：
- 系統環境：ubuntu 16.04
- 語言版本：python 3.5
- 深度框架：Tensorflow-gpu 1.2.0
- cuda版本：8.0
- GPU：1080 TI
序言
以下鏈接，基本涵蓋了所有主流的神經網絡，包括：
- 卷積神經網絡CNN
- 循環神經網絡RNN
- 長短時記憶網絡LSTM
- 對抗生成網絡GAN
同時，根據不同的網絡進行了幾個實戰項目，包括： - 圖像風格遷移算法
- 手寫數字圖像生成算法
- 中文文本分類算法
- 圖像生成描述算法
一、神經網絡初探
CIFAR-10數據集目錄結構以及數據組織格式
使用單個神經元實現二分類
使用單層神經網絡實現十分類
二、CNN代碼實戰
使用VGG實現十分類
使用Resnet實現十分類
使用Inception實現十分類
使用Mobilenet實現十分類
使用Resnet實現十分類(改進版)
使用Mobilenet實現十分類(改進版)
三、卷積網絡優化
tensorboard的使用方法
Tensorflow保存和恢復模型的方法
圖像增強(augmentation)的幾個方法
tf.layers.batch_normalization()的使用方法
四、圖像風格遷移實戰
五、探討：CNN的黑箱裏到底發生了什麼？
Tensorflow+VGG16實現卷積神經網絡特徵圖可視化
六、深度卷積對抗生成網絡(DCGAN)
七、LSTM解決時間序列問題
使用LSTM實現中文文本分類(1)
使用LSTM實現中文文本分類(2)
手動編寫LSTM內部結構實現中文文本分類
構建LSTM模型使用到的API方法介紹
八、CNN同樣可以文本分類
使用Char-CNN實現中文文本分類(1)
使用Char-CNN實現中文文本分類(2)
九、看圖說話：從圖像到生成文本描述
圖像生成文本實現(1)flickr30k數據集介紹
圖像生成文本(2)詞表詞頻的構建
圖像生成文本(3)圖像特徵的提取
圖像生成文本(4)計算圖設計以及訓練流程