2016-04-22我们爱智慧
前言：本文是推荐给在校CS专业学生的资源推介，参考网络文献整理。谢谢大家的分享！
1、第一次接触
深入浅出地介绍神经网络
https://www.zhihu.com/question/22553761#answer-33473096
吴军《数学之美》关于神经网络，讲得比较清楚。高大上的神经网络，其实也就是数据结构的图，这样来理解就比较平易近人。有一种难，是我们觉得这很难。如果我们将某种事物标记为“难”，那么我们真的会觉得这很难。其实，真正有用有趣的事物，往往并不难。
李飞飞: 我们怎么教计算机理解图片？
http://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures?language=zh-cn#t-17202
下一个“AlphaGo”会出现在疾病诊断领域吗？
http://v.qq.com/iframe/player.html?vid=k01489ruyqn&300&NaN&auto=0
目前的机器学习确实有很大的突破，在某种程度上复制了人类的学习能力，可以做很多事情。
2、深入学习
斯坦福大学公开课 ：机器学习课程
http://open.163.com/special/opencourse/machinelearning.html
3、Deep Learning 经典阅读材料
阐述Deep learning主要思想的三篇文章：
Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006
Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007
Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007
4. Deep Learning工具
首先你最好要有个能支持cuda的GPU，否则纯CPU是很慢的，尤其是处理图像的问题。
Theano（基于Python）, http://deeplearning.net/tutorial/系列教材就是基于Theano工具的。在这个网站可以看到无数的深度学习相关工作链接，足够慢慢扩展到深度学习的所有前沿研究和工具了。
Torch (https://github.com/torch/torch7/wiki/Cheatsheet)，基于lua编程语言(类matlab)。用的人非常多，因此很多常见模块的实现都很全面。
DeepLearnToolbox (https://github.com/rasmusbergpalm/DeepLearnToolbox)，基于matlab。代码逻辑清楚，适合跟着代码学习深度学习的每个细节。
Caffe (http://caffe.berkeleyvision.org/)，纯c++，科学研究中很多学者常用的工具，文档也很齐全。做物体检测相关任务的话，非常推荐！
Cuda-convnet2 (https://code.google.com/p/cuda-convnet2/)，效率高，支持单机多卡。ImageNet2012年冠军Alex的作品！做简单的分类、回归问题推荐！不支持RNN。
Cxxnet (https://github.com/dmlc/cxxnet)，纯c++。优点：支持多机多卡训练，适合公司级的部署。
主要参考：张德兵：深度学习史上最全总结。
“我们爱智慧”微信公众号新鲜出炉，欢迎微信搜索关注“我们爱智慧”或者“WeLoveWisdom”公众号，或者长按下方的二维码。东西方经典，快乐与智慧，健康与养生，计算与智能，一起来学习和分享那些引领我们和世界走向更美好的事物……