2018年暑假最全的干货总结
新手？大佬？今天本平台完整得来一次干货大全，你们都知道哪些呢？
最全干货大全
之前很多读者反映新人和旧人得分的明细一些，那今天先总结一下本平台自创办以来一些经典的干货和实验等，希望对大家有所了解~
那我现在就开始吧~
小小互动
首先开始之前，我还是有一个问题，就是你为什么要关注我们平台？
从创办以来，已经得到很多读者和科研人员的支持，我们初衷还是希望喜欢人工智能的朋友可以聚集到一起，一起学习最先进的技术，交流最新的算法，分享最经典的知识，认识更多与自己趣味相投的他（她），一起学习，共同进步！
在此，特别感谢你们的关注与支持！谢谢~
先简单说下今天的主要目的，想让你们了解下本平台的一些历史辉煌以及未来的趋势。主要今天分为：新人篇、进阶篇、高级篇。
新人篇
对于新人，也分两类，如果你是新加入我们的新人，那你可以在平台内的界面可以看到相关信息，可以选择性的去获取你想要的。
https://mp.weixin.qq.com/mp/homepage?__biz=MzU0NTAyNTQ1OQ%3D%3D&hid=4&sn=8ede0e9a5a32f8aa33d66590e06f491f
上面这个链接你可以几乎看到所有，如果有兴趣的你，可以去尽情享受~
但是对于新进入该领域的你，那你真的是“新人”，你可以通过以下渠道去快速进入状态，以最快的速度和最准确的方式去理解和认识。
其实这也是很多人之前一直询问的问题，我该怎么入题？
关于深度学习入门。其实，网上的资料很多，不过大部分都不太适合初学者。 原因如下：
深度学习必须有一定的数学基础，如果不能简单的方法去讲解，但是又能学习到基本原理和深入理解，有些新人就会有畏难的思想，从而导致过早地放弃和没有兴趣；
还有就是现在市面上的书籍大同小异，很多人的书籍还有错误，更有很多中国人或美国人写的书籍或文章，看不懂的情况。
以下引用Jacky Yang的话：
深度学习，确实需要一定的数学基础，但真的那么难么？这个，还真没有。不信？给你侃侃，看完，你也会觉得没那么难了。
此段是针对初学者，有基础的可以跳过！！！
首先，推荐一篇非常不错的文章： 《1天搞懂深度学习》，300多页的ppt，台湾李宏毅教授写的，非常棒。 不夸张地说，是我看过最系统，也最通俗易懂的，关于深度学习的文章。
链接：http://www.slideshare.net/tw_dsconf/ss-62245351?qid=108adce3-2c3d-4758-a830-95d0a57e46bc&v=&b=&from_search=3
要说先准备什么，其实只需要知道导数和相关的函数概念就可以了。高等数学也没学过？很好，我就是想让文科生也能看懂，您只需要学过初中数学就可以了。
其实不必有畏难的情绪，个人很推崇李书福的精神，在一次电视采访中，李书福说：谁说中国人不能造汽车？造汽车有啥难的，不就是四个轮子加两排沙发嘛。当然，他这个结论有失偏颇，不过精神可嘉。
————李书福
导数是什么，无非就是变化率呗，王小二今年卖了100头猪，去年卖了90头，前年卖了80头。。。变化率或者增长率是什么？每年增长10头猪，多简单。这里需要注意有个时间变量---年。王小二卖猪的增长率是10头/年，也就是说，导数是10。函数y=f(x)=10x+30，这里我们假设王小二第一年卖了30头，以后每年增长10头，x代表时间（年），y代表猪的头数。
当然，这是增长率固定的情形，现实生活中，很多时候，变化量也不是固定的，也就是说增长率也不是恒定的。
比如，函数可能是这样: y=f(x)=5x²+30，这里x和y依然代表的是时间和头数，不过增长率变了，怎么算这个增长率，我们回头再讲。或者你干脆记住几个求导的公式也可以。
深度学习还有一个重要的数学概念：偏导数，偏导数的偏怎么理解？我们还以王小二卖猪为例，刚才我们讲到，x变量是时间（年），可是卖出去的猪，不光跟时间有关啊，随着业务的增长，王小二不仅扩大了养猪场，还雇了很多员工一起养猪。所以方程式又变了：y=f(x)=5x₁²+8x₂ + 35x₃ +30 这里x₂代表面积，x₃代表员工数，当然x₁还是时间。
上面我们讲了，导数其实就是变化率，那么偏导数是什么？偏导数无非就是多个变量的时候，针对某个变量的变化率呗。在上面的公式里，如果针对x₃求偏导数，也就是说，员工对于猪的增长率贡献有多大，或者说，随着（每个）员工的增长，猪增加了多少，这里等于35---每增加一个员工，就多卖出去35头猪. 计算偏导数的时候，其他变量都可以看成常量，这点很重要，常量的变化率为0，所以导数为0，所以就剩对35x₃ 求导数，等于35. 对于x₂求偏导，也是类似的。 求偏导我们用一个符号 表示：比如 y/ x₃ 就表示y对 x₃求偏导。
废话半天，这些跟深度学习到底有啥关系？有关系，我们知道，深度学习是采用神经网络，用于解决线性不可分的问题。关于这一点，我们回头再讨论，大家也可以网上搜一下相关的文章。我这里主要讲讲数学与深度学习的关系。
1
第1步：学习机器学习基础
机器学习斯坦福课程是最好的开始，他的课程目前介绍了各种机器学习算法，最主要的是，其包括了各种机器学习的一般程序及方法，数据处理、超参数调优等。
2
第2步：开始深入学习
可以观看一些牛人的演讲视频，在线课程等（如吴恩达等），举几个例子：
Geoffrey Hinton，这位教授大家应该都认识，他的课程：Neural Networks for Machine Learning；
Hugo Larochelle，课程：Neural Networks Class。
3
第3步：深入学习一个领域
计算机视觉，CS231n课程很优秀
自然语言处理（NLP），CS224N课程优秀
深度加强学习，典型例子：AlphaGo
进阶篇
进阶篇，就比较简单，因为你已经有了一定的基础，在这个阶段，就是各种阅读资料，比如阅读顶级期刊（CVPR，ECCV，ICCV，PR，Trans等），写个总结，然后自己亲手去实践，久而久之，就可以成为该领域的老手。
比如之前平台推送的一些我的实践结果：
深度Q网络用语视觉格斗类游戏
人工智能在《LOL&王者荣耀》游戏中的角色
如果你想进入CV领域，很多小项目、实验可以动手去做，比如：
实战——目标检测与识别
高级篇
高级篇，就更加简单，各种理论知识、算法、模型框架都了如指掌，而且经历过很多实际性的项目，对学习的知识灵活应用在现实生活中。
人脸检测与识别技术（怎么去创新？）
新人篇：
斯坦福CS231n课程笔记翻译：图像分类笔记篇（上）
斯坦福CS231n课程笔记翻译：图像分类笔记篇（下）
每日一学——线性分类笔记（上）
每日一学——线性分类笔记（中）
每日一学——线性分类笔记（下）
每日一学——最优化笔记（上）
每日一学——最优化（下）
每日一学——神经网络（上）
每日一学——神经网络（下）
每日一学——卷积神经网络
深度网络的“从古至今”的蜕变
进阶篇：
DL框架的未来发展，TensorFlow/MXNet/Torch, 选哪个？
Caffe（含GPU）安装与测试
Caffe源码---------主要框架介绍
Caffe源码---Blob基本使用
贾扬清与Caffe
机器学习------令人头疼的正则化项
深度学习超参数简单理解(修改版)
深度学习---反向传播的具体案例
如何成为一名成功的“炼丹师”——DL训练技巧
高级篇：
实战——目标检测与识别
人脸检测与识别的趋势和分析
判别特征学习方法用于人脸识别
基于深度学习的计算机视觉，案例分析学习
人脸检测与识别的趋势和分析（增强版）
人脸检测与识别技术（怎么去创新？）
纯干货 | 深度学习研究综述
深度网络自我学习，最终实现更少样本的学习
若有兴趣，请去“计算机视觉战队”公众平台慢慢去欣赏
计算机视觉战队
最优秀的AI团队
加入我们，一起学习，共同进步！
（向左滑动，有惊喜）
如果想加入我们“计算机视觉战队”，请扫二维码加入学习群，我们一起学习进步，探索领域中更深奥更有趣的知识！
