动手学深度学习 + TF2.0开源项目，不容错过

作者 | 深度传送门

来源 | 深度传送门（ID:deep_deliver)

关于项目

本项目将《动手学深度学习》(Dive into Deep Learning)原书中的MXNet实现改为TensorFlow 2.0实现，项目已得到李沐老师的同意。

此书的中、英版本存在一些不同，本项目主要针对此书的中文版进行TensorFlow2.0重构。另外，本项目也参考了对此书中文版进行PyTorch重构的项目Dive-into-DL-PyTorch（https://github.com/ShusenTang/Dive-into-DL-PyTorch），在此表示感谢。

面向人群

本项目面向对深度学习感兴趣，尤其是想使用TensorFlow 2.0进行深度学习的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。

目录

• 简介

• 阅读指南

• 1. 深度学习简介

• 2. 预备知识

• • 2.1 环境配置

  • 2.2 数据操作

  • 2.3 自动求梯度

  • 2.4 查阅文档

• 3. 深度学习基础

• • 3.1 线性回归

  • 3.2 线性回归的从零开始实现

  • 3.3 线性回归的简洁实现

  • 3.4 softmax回归

  • 3.5 图像分类数据集（Fashion-MNIST）

  • 3.6 softmax回归的从零开始实现

  • 3.7 softmax回归的简洁实现

  • 3.8 多层感知机

  • 3.9 多层感知机的从零开始实现

  • 3.10 多层感知机的简洁实现

  • 3.11 模型选择、欠拟合和过拟合

  • 3.12 权重衰减

  • 3.13 丢弃法

  • 3.14 正向传播、反向传播和计算图

  • 3.15 数值稳定性和模型初始化

  • 3.16 实战Kaggle比赛：房价预测

• 4. 深度学习计算

• • 4.1 模型构造

  • 4.2 模型参数的访问、初始化和共享

  • 4.3 模型参数的延后初始化

  • 4.4 自定义层

  • 4.5 读取和存储

  • 4.6 GPU计算

• 5. 卷积神经网络

• • 5.1 二维卷积层

  • 5.2 填充和步幅

  • 5.3 多输入通道和多输出通道

  • 5.4 池化层

  • 5.5 卷积神经网络（LeNet）

  • 5.6 深度卷积神经网络（AlexNet）

  • 5.7 使用重复元素的网络（VGG）

  • 5.8 网络中的网络（NiN）

  • 5.9 含并行连结的网络（GoogLeNet）

  • 5.10 批量归一化

  • 5.11 残差网络（ResNet）

  • 5.12 稠密连接网络（DenseNet）

• 6. 循环神经网络

• • 6.1 语言模型

  • 6.2 循环神经网络

  • 6.3 语言模型数据集（周杰伦专辑歌词）

  • 6.4 循环神经网络的从零开始实现

  • 6.5 循环神经网络的简洁实现

  • 6.6 通过时间反向传播

  • 6.7 门控循环单元（GRU）

  • 6.8 长短期记忆（LSTM）

  • 6.9 深度循环神经网络

  • 6.10 双向循环神经网络

• 7. 优化算法

• • 7.1 优化与深度学习

  • 7.2 梯度下降和随机梯度下降

  • 7.3 小批量随机梯度下降

  • 7.4 动量法

  • 7.5 AdaGrad算法

  • 7.6 RMSProp算法

  • 7.7 AdaDelta算法

  • 7.8 Adam算法

• 8. 计算性能

• • 8.1 命令式和符号式混合编程

  • 8.2 异步计算

  • 8.3 自动并行计算

  • 8.4 多GPU计算

• 9. 计算机视觉

• • 9.1 图像增广

  • 9.2 微调

  • 9.3 目标检测和边界框

  • 9.4 锚框

  • 9.5 多尺度目标检测

  • 9.6 目标检测数据集（皮卡丘）

  • 待更新...

• 10. 自然语言处理

• • 10.1 词嵌入（word2vec）

  • 10.2 近似训练

  • 10.3 word2vec的实现

  • 10.4 子词嵌入（fastText）

  • 10.5 全局向量的词嵌入（GloVe）

  • 10.6 求近义词和类比词

  • 10.7 文本情感分类：使用循环神经网络

  • 10.8 文本情感分类：使用卷积神经网络（textCNN）

  • 10.9 编码器—解码器（seq2seq）

  • 10.10 束搜索

  • 10.11 注意力机制

  • 10.12 机器翻译

持续更新中......

注意事项：受限于微信不能放站外链接，详细目录的链接可查看文章末尾点击左下角原文链接的GitHub地址进行学习、star以及fork，后续仓库会持续更新相关内容。

GitHub现已更新到第五章，持续更新中。。。

https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0

推荐阅读

• 远场语音识别错误率降低30%，百度提基于复数CNN网络的新技术

• 微软张若非：搜索引擎和广告系统，那些你所不知的AI落地技术

• 程序员的救星-ThinkPad T490 对比体验

• C++控制台打飞机小游戏 | CSDN 博文精选

• 激辩：机器究竟能否理解常识？

• Instagram个性化推荐工程中三个关键技术是什么？

• 从YARN迁移到k8s，滴滴机器学习平台二次开发是这样做的

• 华为将正式起诉美国联邦通信委员会；谷歌技术故障导致美国三大航空公司网站短暂宕机；英特尔拟20亿美元买以色列AI芯片公司……
  

• 2020年，区块链开发者还有哪些期待？

• 

  你点的每个“在看”，我都认真当成了AI