1、神經網絡基本原理介紹：
（1）深度神經網絡（DNN）模型與前向傳播算法：
http://www.cnblogs.com/pinard/p/6418668.html
（2）深度神經網絡（DNN）反向傳播算法(BP)：
http://www.cnblogs.com/pinard/p/6422831.html
（3）深度神經網絡（DNN）損失函數和激活函數的選擇：
http://www.cnblogs.com/pinard/p/6437495.html
（4）深度神經網絡訓練之梯度下降法：
http://www.cnblogs.com/pinard/p/5970503.html
（5）深度神經網絡（DNN）的正則化：
http://www.cnblogs.com/jianxinzhou/p/4083921.html（機器學習之正則化）
http://www.cnblogs.com/pinard/p/6472666.html
補充：神經網絡中的正則化是爲了訓練的模型具有較大的泛化能力（泛化就是模型指對不同測試數據的適應能力），也就是減少過擬合的一種重要方法。其實現方法是：減小或去掉部分參數，使得過擬合效應減小。
（6）卷積神經網絡(CNN)模型結構介紹：
http://www.cnblogs.com/pinard/p/6483207.html
（7）卷積神經網絡(CNN)前向傳播算法：
http://www.cnblogs.com/pinard/p/6489633.html
（8）卷積神經網絡(CNN)反向傳播算法：
http://www.cnblogs.com/pinard/p/6494810.html
（9）循環神經網絡(RNN)模型與前向反向傳播算法：
http://www.cnblogs.com/pinard/p/6509630.html
2、框架安裝配置與使用
（1）windows10下安裝faster rcnn（matlab版）：
http://www.cnblogs.com/LaplaceAkuir/p/6445189.html
或http://blog.csdn.net/sinat_30071459/article/details/50546891
或http://blog.csdn.net/lalalazds/article/details/73863696
（2）用faster rcnn(MATLAB)訓練自己的數據集：
http://blog.csdn.net/cuixing001/article/details/77092627（製作VOC2007數據集）
http://blog.csdn.net/qq_31975211/article/details/78728479
http://www.yangzaixing.com/Channel/1/Article/15（參數修改）
(3)Mask RCNN的介紹與配置安裝：
http://blog.csdn.net/xiongchao99/article/details/79167353
(4)COCO數據集介紹：
