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