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: