深度学习的150多篇文章和10多个专栏推荐
文章首发于微信公众号《有三AI》
创业第一天，有三AI扔出了深度学习的150多篇文章和10多个专栏
文/编辑 | 言有三
在这篇文章中，有三跟大家来聊一下有三AI和如何学习深度学习这件事儿。
1 概述
自我介绍
“有三AI”创始人网名言有三，本名龙鹏，本科就读于华中科技大学，硕士就读于中国科学院，先后就职于奇虎360AI研究院，陌陌深度学习实验室，6年多计算机视觉从业经验，熟悉传统图像算法和深度学习理论与实践，曾在gitchat，网易云课堂等平台开设入门课程。
擅长领域包括：熟悉caffe，tensorflow，pytorch，mxnet等主流机器学习平台。熟悉图像基础任务，AI美学，2D与3D人脸，GAN，深度学习模型优化等领域。
目前以微信公众平台首发，知乎同步更新文章的方式进行深度学习相关知识的传播。
面向的群体
(1) 直接相关岗位从业者。
(2) 相关方向的学生。
(3) AI技术爱好者。
(4) 猎头/HR/产品/运营等需要了解简单技术的其他从业人员。
对学深度学习的看法
当前的深度学习是以神经网络为基础结构，完成视觉，语音，语言等领域相关任务的方法。
拥有几个明显的特点：
(1) 理论基础尚不完善，各个维度都在被研究中。
(2) 经典的任务如人脸检测与识别，限定场景的语音识别，智能客服机器人等已经实现工业级大规模落地，但是很多的细分领域有待应用和算法开发，潜力巨大。
(3) 学习资料海量但良莠不齐，缺乏系统性资料；国内外知名经典课程所授知识简单，与工业界脱节且落后于最新技术。
在这个基础上，有三AI通过不断开设相关专栏来进行知识分享，力求使初学者知识体系尽量完善，具体的内容在第二部分进行介绍。
在这里我先给大家推荐一条初学者的学习路线，这是有三经过多年经验以及参考若干资料后敲定的，以计算机视觉领域为例，粗分为：白身，初识，不惑，有识，不可知5个境界，关于这5个境界，为了缩短篇幅，请大家阅读往期文章：
【杂谈】白身，初识，不惑，有识，不可知，你处于深度学习工程师哪一重境界了
在这个基础上，我们开始进行内容的更新，完整的文章列表如下：
白身境界
-
【AI白身境】究竟谁是paper之王，全球前10的计算机科学家
-
【AI白身境】一文览尽计算机视觉研究方向
-
【AI白身境】入行AI需要什么数学基础：左手矩阵论，右手微积分
-
【AI白身境】一文览尽计算机视觉研究方向
-
【AI白身境】AI+，都加在哪些应用领域了
-
【AI白身境】只会用Python？g++，CMake和Makefile了解一下
-
【AI白身境】学深度学习你不得不知的爬虫基础
-
【AI白身境】搞计算机视觉必备的OpenCV入门基础
-
【AI白身境】深度学习必备图像基础
-
【AI白身境】学AI必备的python基础
-
【AI白身境】Linux干活三板斧，shell、vim和git
-
【AI白身境】深度学习从弃用windows开始
初识境界
-
【AI初识境】从3次人工智能潮起潮落说起
-
【AI初识境】从头理解神经网络-内行与外行的分水岭
-
【AI初识境】近20年深度学习在图像领域的重要进展节点
-
【AI初识境】激活函数：从人工设计到自动搜索
-
【AI初识境】什么是深度学习成功的开始？参数初始化
-
【AI初识境】深度学习模型中的Normalization，你懂了多少？
-
【AI初识境】为了围剿SGD大家这些年想过的那十几招
后面的请持续关注，这就是我暂时对学习深度学习的一点看法和建议。
2 有三AI生态
简单来说，就是给大家准备了各种各样的专栏，然后系统性进行更新。
方向综述
方向综述，就是对计算机视觉或者深度学习的某一个研究方向进行深入全面的解读，通常知识比较完备，自成体系，它有助于对某一个方向进行系统性的了解。
往期方向综述
-
【技术综述】一文道尽softmax loss及其变种
-
【技术综述】闲聊图像分割这件事儿
-
【技术综述】你真的了解图像分类吗？
-
【技术综述】“看透”神经网络
-
【技术综述】计算机审美，学的怎么样了？
-
【技术综述】深度学习自动构图研究报告
-
【技术综述】一文道尽R-CNN系列目标检测
-
【技术综述】万字长文详解Faster RCNN源代码
-
为了压榨CNN模型，这几年大家都干了什么
开源框架
好记星不如烂笔头，只有代码写出来才是真的会，在这个专栏就介绍各类开源框架。
因为开源框架的特点是更新非常快，而且内容琐碎，所以目前开源框架是以快速入门为主题，即两个小时上手系列，同时配套GitHub代码。
每一个开源框架，从简介，到数据的处理，模型的自定义，模型的训练，结果的可视化，模型的测试等进行讲述，麻雀虽小，五脏俱全。
往期开源框架
-
【Keras速成】Keras图像分类从模型自定义到测试
-
【paddlepaddle速成】paddlepaddle图像分类从模型自定义到测试
-
【pytorch速成】Pytorch图像分类从模型自定义到测试
-
【tensorflow速成】Tensorflow图像分类从模型自定义到测试
-
【caffe速成】caffe图像分类从模型自定义到测试
-
【mxnet速成】mxnet图像分类从模型自定义到测试
-
【cntk速成】cntk图像分类从模型自定义到测试
数据理解
数据是深度学习的精神食粮，数据的整理和正确的使用需要非常丰富的经验，这一部分就基于各个领域数据集的介绍，数据整理与获取，数据增强，数据可视化等各个方向来进行讲述。
往期数据
-
【数据集】自动驾驶都有什么测试基准？
-
【数据集】一文道尽医学图像数据集与竞赛
-
【数据】短视频识别，都有那些行业标准？
-
【技术综述】一文道尽“人脸数据集”
-
【数据】深度学习从“数据集”开始
-
【技术综述】深度学习中的数据增强（下）
-
[综述类] 一文道尽深度学习中的数据增强方法（上）
模型结构
深度学习工程师的另一部分工作，就是模型的正确使用和调试了，在这一部分，会对各类模型的结构进行剖析，对其适用的场景进行分析，同时也即将涵盖模型优化等。
往期模型结构
-
【完结】总结12大CNN主流模型架构设计思想
-
【模型解读】从LeNet到VGG，看卷积+池化串联的网络结构
-
【模型解读】network in network中的1*1卷积，你懂了吗
-
【模型解读】GoogLeNet中的inception结构，你看懂了吗
-
【模型解读】说说移动端基准模型MobileNets
-
【模型解读】pooling去哪儿了？
-
【模型解读】resnet中的残差连接，你确定真的看懂了？
-
【模型解读】“不正经”的卷积神经网络
-
【模型解读】从“局部连接”回到“全连接”的神经网络
-
【模型解读】深度学习网络只能有一个输入吗
-
【模型解读】“全连接”的卷积网络，有什么好？
-
【模型解读】从2D卷积到3D卷积，都有什么不一样
-
【模型解读】浅析RNN到LSTM
-
【模型解读】历数GAN的5大基本结构
AI-1000问
在这个专栏里，会针对AI技术中的一些非常小而重要，但是又容易被人忽视的问题进行普及，以实现知识的查漏补全。
往期AI-1000问
-
【AI-1000问】为什么深度学习图像分类的输入多是224*224
-
【AI-1000问】为什么LeNet5倒数第二个全连接层维度为84？
深度学习理论
在这一部分，就会细致地讲述深度学习中的基础理论，让大家更深刻的理解原理，跟踪前沿的发展，激发思考。
往期深度学习理论
-
【AI初识境】激活函数：从人工设计到自动搜索
-
【AI初识境】什么是深度学习成功的开始？参数初始化
-
【AI初识境】深度学习模型中的Normalization，你懂了多少？
-
【AI初识境】为了围剿SGD大家这些年想过的那十几招
模型训练
在这里，自然就是介绍模型的训练技巧了，从手动调参到自动调参，都会有的。
往期模型训练
-
【模型训练】如何选择最适合你的学习率变更策略
-
【模型训练】SGD的那些变种，真的比SGD强吗
行业发展
在这里，就是给大家介绍各个应用领域的发展现状，技术在其中的使用前景。
往期行业发展
-
【行业进展】国内自动驾驶发展的怎么样了？
-
【行业进展】AI：新药研发的新纪元
-
【行业进展】哪些公司在搞“新零售”
-
【行业进展】谷歌4大AI黑科技部门，你可知
-
【行业趋势】人工智能凭什么“教育”人
-
2016自动驾驶外行装逼攻略（超长文推荐）
就业机会
在这里，就是介绍各家公司的就业机会，剖析其关键产品和技术。
往期就业机会
-
【完结】中国12大AI研究院，高调的低调的你pick谁
杂谈
在这个专栏里，我会什么都聊一点，可能是学习习惯，可能是某个特别有意思的文章，或者一些心得体会。
往期杂谈
-
【杂谈】为什么你学了AI，企业却不要你
-
【AI杂谈】从一篇参考文献比正文还长的文章，杂谈深度学习综述
-
【方法杂谈】你真的了解CVPR吗？
感谢各位看官的耐心阅读，不足之处希望多多指教。后续内容将会不定期奉上，欢迎大家关注有三公众号 有三AI！
