[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kzbkzb--Python-AI":3,"tool-kzbkzb--Python-AI":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":80,"difficulty_score":10,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":94,"github_topics":95,"view_count":104,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":108},449,"kzbkzb\u002FPython-AI","Python-AI","深度学习100例、深度学习DL、图片分类、目标识别、目标检测、自然语言处理nlp、文本分类、TensorFlow、PyTorch","Python-AI 是一个专注于深度学习实践的开源项目，通过系统化案例教学帮助用户掌握人工智能核心技术。项目以「深度学习100例」为核心内容，涵盖图像分类、目标检测、自然语言处理等主流应用场景，配套完整代码和数据集，支持 TensorFlow 和 PyTorch 等主流框架。\n\n这个项目解决了深度学习学习资源碎片化的问题，将理论知识转化为可直接运行的实践案例。从基础的 MNIST 手写识别到复杂的交通标志识别，100+ 个循序渐进的实例帮助学习者建立完整知识体系。配套的书籍资源和面试笔记进一步强化理论基础与实战能力，特别适合需要系统提升的开发者和研究人员。\n\n项目内容适合 Python 开发者、AI 研究人员及对深度学习感兴趣的技术爱好者。无论你是想入门图像识别，还是提升 NLP 技能，都能找到合适的实践路径。技术亮点在于案例设计注重实用性，包含验证码识别、车牌识别等真实场景应用，部分案例采用 VGG、ResNet 等经典网络架构。\n\n项目持续更新原创技术文章，学习者可通过微信公众号获取最新内容。配套的微信群和技术博客提供交流平台，百度云资源库则包含《机器学习实战》《神经网络与深度学习","Python-AI 是一个专注于深度学习实践的开源项目，通过系统化案例教学帮助用户掌握人工智能核心技术。项目以「深度学习100例」为核心内容，涵盖图像分类、目标检测、自然语言处理等主流应用场景，配套完整代码和数据集，支持 TensorFlow 和 PyTorch 等主流框架。\n\n这个项目解决了深度学习学习资源碎片化的问题，将理论知识转化为可直接运行的实践案例。从基础的 MNIST 手写识别到复杂的交通标志识别，100+ 个循序渐进的实例帮助学习者建立完整知识体系。配套的书籍资源和面试笔记进一步强化理论基础与实战能力，特别适合需要系统提升的开发者和研究人员。\n\n项目内容适合 Python 开发者、AI 研究人员及对深度学习感兴趣的技术爱好者。无论你是想入门图像识别，还是提升 NLP 技能，都能找到合适的实践路径。技术亮点在于案例设计注重实用性，包含验证码识别、车牌识别等真实场景应用，部分案例采用 VGG、ResNet 等经典网络架构。\n\n项目持续更新原创技术文章，学习者可通过微信公众号获取最新内容。配套的微信群和技术博客提供交流平台，百度云资源库则包含《机器学习实战》《神经网络与深度学习》等权威教材，形成完整的 AI 学习生态。","全网爆火的🔥🔥🔥 **《深度学习100例》** 现在对外开放了，提供可运行的**代码**和**数据**。正在更新中~\n\n原创文章每周最少两篇，**后续最新文章** 会在[【公众号】](#公众号)首发，比博客早一到两篇。大家可以加我[【微信】](#公众号)，技术交流或提意见都可以，欢迎Star！\n\n[【从Python到AI】](#思维导图)~\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\n\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fo-DaK6aQQLkJ8uE4YX1p3Q?click_id=16\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_5f3ad0209c62.png\" alt=\"365深度学习训练营\">\u003C\u002Fa>\n\n[【👉 训练营介绍】](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fo-DaK6aQQLkJ8uE4YX1p3Q?click_id=16)~\n\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#微信\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FweChat-微信群-green.svg\" alt=\"微信群\">\u003C\u002Fa>\n  \u003Ca href=\"#公众号\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%E5%85%AC%E4%BC%97%E5%8F%B7-K同学啊-lightgrey.svg\" alt=\"公众号\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fni-huan-hao-ma-70-3\u002Fposts\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzhihu-知乎-informational\" alt=\"投稿\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmtyjkh.blog.csdn.net\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcsdn-CSDN-red.svg\" alt=\"投稿\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fjuejin.cn\u002Fuser\u002F2023562123160158\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fjuejin-掘金-purple.svg\" alt=\"公众号\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.heywhale.com\u002Fhome\u002Fuser\u002Fprofile\u002F60c1cdd86ea0f900179616c8\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fheywhale-和鲸-yellow.svg\" alt=\"公众号\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\u003Ca name=\"文章目录\">\u003C\u002Fa>\n\n\n\n\n**书籍系列**\n\n- 🎈 机器学习-周志华 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1gvRjYGYpPx4NE83s5z1T9w) 提取码：hnzu\n- 🎆 统计学习-李航 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F16lCYrprEc4JwPCUfORxQPw) 提取码：lc5e\n- 🧨 神经网络与深度学习-邱锡鹏 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1qqTaTufryySQmjYKn3qp5g) 提取码：m3ls\n- ✨ 深度强化学习 Hung-yi Lee [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nmgqw9k6ZrVE5rsz9nBIEg) 提取码：9b0a\n- 🎉 机器学习实战 中文双页版 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZtHK4MLTsC_dZL98bX1vpw) 提取码：jy7r\n- 🎊 斯坦福大学-深度学习基础教程 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1oDPzzlP9Oqj9J2BKfnPuhw) 提取码：hjz7\n- 🎃 Tensorflow 实战Google深度学习框架[百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pHZy06HlNYQ5lYqKqbYSqw) 提取码：f6wf\n\n**面试笔记系列**\n- 🎄 谷歌和阿里大佬的Leetcode刷题笔记 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ng0CIXc_eiXoBhaiHwZ8xQ) 提取码：9go2 \n- 🎋 Leetcode 1300道算法题解 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1KnbyyyQULHXVAbpoHFg-Zw) 提取码：eg9z\n- 🎍 labuladong 的算法小抄 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LQjOuxkYWVYS53YWvHhHag) 提取码：v4qf\n- 🎎 程序员面试宝典 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1TKabRrhX78MwJ8kwWhkKqA) 提取码：gm7o\n- 🎏 大厂面试真题 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZXB83ME5fsuG48JVRPIG_Q) 提取码：u9y4\n\n# 目录（善用Ctrl+F）\n## 深度学习 📚\n\n### 目标识别 ✨\n1. [深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FTR13H-gTqlWKTzIhPATsaw) \n2. [深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FmyRuSfF4LgUBmp4FusngtA)\n3. [深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FMO9D79m91HT1QlRVjhFvBg)\n4. [深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fuq_ZVf1s1XzYfJq1hxgbPw)\n5. [深度学习100例-卷积神经网络（CNN）天气识别 | 第5天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNFuOhjmH57IPIxVV_eVlBQ)\n6. [深度学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FKoIn8uPxhr_IwgEitADgag)\n7. [深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FOfWiCHQKH5011b58yllFoA)\n8. [深度学习100例-卷积神经网络（ResNet-50）鸟类识别 | 第8天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Ft9AABypsQDScxAx6AMQUcA)\n9. [深度学习100例-卷积神经网络（AlexNet）手把手教学 | 第11天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FSZeYSbphp8_mxhJ4bRZw2A)\n10. [深度学习100例-卷积神经网络（CNN）识别验证码 | 第12天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FVy2ZSyIZTWlTQHsAySdSpA)\n11. [深度学习100例-卷积神经网络（Inception V3）识别手语 | 第13天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fak0zqVJtknLNu6TWtVgiRA)\n12. [深度学习100例-卷积神经网络（Inception-ResNet-v2）识别交通标志 | 第14天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzUyNDgyNDkyMQ==&mid=2247485213&idx=1&sn=0210f5bc9afd8e4283efdda146b90bcc&chksm=fa263f2bcd51b63d06e71688f7ef6aed4fca9eda37f394efdaf945fd0f94ea38cdf9c01aa584&scene=178&cur_album_id=1902502231082352640#rd)\n13. [深度学习100例-卷积神经网络（CNN）实现车牌识别 | 第15天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzUyNDgyNDkyMQ==&mid=2247485258&idx=1&sn=beb9d5818e63cf518f18e330317a2c1d&chksm=fa263f7ccd51b66a506951ccbdd9b74c96123034cb43a6a4b0c17c63c5ff2a780f072cb3d3ba&scene=178&cur_album_id=1902502231082352640#rd)\n14. [深度学习100例-卷积神经网络（CNN）识别神奇宝贝小智一伙 | 第16天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FH45mP7xErO3SmzJFeIRPZw)\n15. [深度学习100例-卷积神经网络（CNN）注意力检测 | 第17天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F118938811)\n16. [深度学习100例-卷积神经网络（VGG-16）猫狗识别 | 第21天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F0xgINYkh_qRprCJOfNX2zA)\n17. [深度学习100例-卷积神经网络（LeNet-5）深度学习里的“Hello Word” | 第22天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FJXq7CgtfEfAFONv_MayRZg)\n18. [深度学习100例-卷积神经网络（CNN）3D医疗影像识别 | 第23天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F9_uAmyUvCCATVVRWZxglIw)\n19. [深度学习100例 | 第24天-卷积神经网络（Xception）：动物识别](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F3iPVEMFmxZsSE7ShS9RFlw)\n20. [深度学习100例 | 第25天-卷积神经网络（CNN）：中文手写数字识别](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FI-uO5RbF50eOTMiUBkcAmA)\n21. [深度学习100例 | 第26天-卷积神经网络（CNN）：乳腺癌识别](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZnV9G9C2rduFs_8uBjKukw)\n22. [深度学习100例 | 第27天-卷积神经网络（CNN）：艺术作品识别](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120815018)\n### 循环神经网络篇（RNN） 🚀 \n\n1.  [深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FE1FTjfO-W4dndwctJF9ajQ)\n2.  [深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FkL6Z4OQFgdJPIGVjDIoz7g)\n3.  [深度学习100例 | 第32天（GRU模型）：利用算法生成小说（斗罗大陆版）](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120536511)\n\n###  生成对抗网络篇（GAN） 🎎\n\n1. [深度学习100例-生成对抗网络（GAN）手写数字生成 | 第18天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F118995896)\n2. [深度学习100例-生成对抗网络（DCGAN）手写数字生成 | 第19天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F119133575)\n3. [深度学习100例-生成对抗网络（DCGAN）生成动漫小姐姐 | 第20天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F119182578)\n## 图卷积神经网络（GCN）🔥\n1. [深度学习100例 | 第52天-图卷积神经网络（GCN）：实现论文分类](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FH2igaSljlsI0dSw7KVXgcA)\n\n### 自然语言处理 📰\n\n1. [如何用Python做情感分析？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F2O4_ChFTwKioA2O8lirkhQ)\n2. [在线课程评论情感分析-本科毕设实战案例](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120731184)\n\n## 机器学习 🧰\n - [机器学习第1天：数据预处理](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82764848)\n - [机器学习第2天：简单线性回归模型](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82769827)\n - [机器学习第3天：多元线性回归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82775192)\n - [机器学习第4天：线性回归及梯度下降](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82794967)\n - [机器学习第5天：逻辑回归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82833529)\n - [机器学习第6天：数据可视化神器--Matplotlib](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82854242)\n - [机器学习第7天：深入了解逻辑回归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82884764)\n - [机器学习第8天：IPyhon与Jupyter notebook](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F83054319)\n\n实战篇:\n\n1. [数据预处理](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F82764848)\n2. [线性回归（代码篇）](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F107740173)\n3. [垃圾短信识别](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F108100817)\n4. [乳腺癌肿瘤预测](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F107958323)\n5. [预测汽车的燃油效率](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F107783901)\n\n## 数据分析 📊\n\n1. [抓取豆瓣上的《长津湖》的热评，我发现了这些](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FoqjSNUmmCIRVnKeewQE2lA)\n2. [数据分析告诉你，历年的诺贝尔奖都被哪些人拿走了？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FyKGmYyEd0UbA9093ZVNhZw)\n\n### Matplotlib实例教程 📈\n\n1. [Matplotlib实例教程（一）柱状图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120497987)\n2. [Matplotlib实例教程（二）饼状图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120498029)\n3. [Matplotlib实例教程（三）折线图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120498049)\n4. [Matplotlib实例教程（四）水平条形图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120640846)\n5. [Matplotlib实例教程（五）绘制散点图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120252497)\n6. [Matplotlib实例教程（六）直方图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120640947)\n7. [Matplotlib实例教程（七）密度图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641044)\n8. [Matplotlib实例教程（八）直方密度线图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641101)\n9. [Matplotlib实例教程（九）热力图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641140)\n10. [Matplotlib实例教程（十）边缘直方图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641170)\n11. [Matplotlib实例教程（十一）堆栈图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734027)\n12. [Matplotlib实例教程（十二）箱形图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734194)\n13. [Matplotlib实例教程（十三）小提琴图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734229)\n14. [Matplotlib实例教程（十四）误差条形图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734265)\n15. [Matplotlib实例教程（十五） 3D散点图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734298)\n16. [Matplotlib实例教程（十六）3D直方图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734323)\n17. [Matplotlib实例教程（十七）3D山体图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734349)\n\n## 爬虫 🕷\n- [实战项目一：爬取西刺代理（获取代理IP）](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86750473)\n- [实战项目二：实现CSDN自动点赞](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F83717669)\n- [实战项目三：爬取QQ群中的人员信息](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82963395)\n- [实战项目四：爬取911网站](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86750865)\n- [实战项目五：抓取简书文章信息](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86819881)\n- [教程一：Xpath教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F80777765)\n- [教程二：selenium教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86592508)\n- [教程三：正则表达式教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F84935221)\n- [知识点讲解一：代理ip中的proxies](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81675871)\n- [知识点讲解二：requests中的timeout()](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81813793)\n- [知识点讲解三：获取重定位后的网址](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86682261)\n- [知识点讲解四：栈溢出（stack overflow）问题解决方案](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81903404)\n- [知识点讲解五：处理js异步加载问题](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82749724)\n- [知识点讲解六：fake-useragent的用法](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86751142)\n- [知识点讲解七：Python中的异常处理机制](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82351482)\n- [知识点讲解八：Python中的尾递归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81978887)\n- [知识点讲解九：判断字符串是否为纯数字](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F87900947)\n\n# DeepLearning Tutorial\n## 一. 入门资料\n\n[**完备的 AI 学习路线，最详细的中英文资源整理**](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64052743) :star:\n\n[AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NL](https:\u002F\u002Fgithub.com\u002Fapachecn\u002FAiLearning)\n\n[Machine-Learning](https:\u002F\u002Fgithub.com\u002Fshunliz\u002FMachine-Learning)\n\n### 数学基础\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_a5a4e9c84cb2.png)\n\n* [矩阵微积分](https:\u002F\u002Fzh.wikipedia.org\u002Fwiki\u002F%E7%9F%A9%E9%98%B5%E5%BE%AE%E7%A7%AF%E5%88%86)\n* [机器学习的数学基础](https:\u002F\u002Fgithub.com\u002Ffengdu78\u002FData-Science-Notes\u002Ftree\u002Fmaster\u002F0.math\u002F0.basic)\n* [CS229线性代数与概率论基础](https:\u002F\u002Fgithub.com\u002Ffengdu78\u002FData-Science-Notes\u002Ftree\u002Fmaster\u002F0.math\u002F1.CS229)\n\n### 机器学习基础\n\n#### 快速入门\n* [机器学习算法地图](http:\u002F\u002Fwww.tensorinfinity.com\u002Fpaper_18.html)\n* [机器学习 吴恩达 Coursera个人笔记](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%5BML-Coursera%5D%5B2014%5D%5BAndrew%20Ng%5D\u002F%5B2014%5D%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%AA%E4%BA%BA%E7%AC%94%E8%AE%B0%E5%AE%8C%E6%95%B4%E7%89%88v5.1.pdf)  && [视频（含官方笔记）](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning)  \n* [CS229 课程讲义中文翻译](https:\u002F\u002Fkivy-cn.github.io\u002FStanford-CS-229-CN\u002F#\u002F) && [机器学习 吴恩达 cs229个人笔记](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%5BML-CS229%5D%5B2011%5D%5BAndrew%20NG%5D\u002F%5B2011%5D%E6%96%AF%E5%9D%A6%E7%A6%8F%E5%A4%A7%E5%AD%A6%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%AF%BE%E7%A8%8B%E4%B8%AA%E4%BA%BA%E7%AC%94.pdf) && [官网（笔记）](http:\u002F\u002Fcs229.stanford.edu\u002F)  && [视频（中文字幕）](http:\u002F\u002Fopen.163.com\u002Fnewview\u002Fmovie\u002Ffree?pid=M6SGF6VB4&mid=M6SGHFBMC)   \n* [百页机器学习](http:\u002F\u002Fthemlbook.com\u002Fwiki\u002Fdoku.php)\n\n#### 深入理解\n* [《统计学习方法》李航](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Ftree\u002Fmaster\u002Fbooks\u002F%E6%9D%8E%E8%88%AA-%E7%BB%9F%E8%AE%A1%E5%AD%A6%E4%B9%A0) && [《统计学习方法》各章节笔记](https:\u002F\u002Fwww.cnblogs.com\u002FYongSun\u002Ftag\u002F%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0\u002F) && [《统计学习方法》各章节笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_1213397558586257408) && [推荐答案：statistical-learning-method-solutions-manual](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual)  [《统计学习方法》各章节笔记](https:\u002F\u002Fwww.cnblogs.com\u002Fliaohuiqiang\u002Fcategory\u002F1039314.html) &&  [《统计学习方法》各章节代码实现与课后习题参考解答](https:\u002F\u002Fblog.csdn.net\u002Fbreeze_blows\u002Farticle\u002Fdetails\u002F85469944)\n* [《模式识别与机器学习》 Christopher Bishop](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F模式识别与机器学习PRML_Chinese_vision.pdf)\n* [《机器学习》 周志华](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F机器学习周志华.pdf)    && [南瓜书：pumpkin-book](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fpumpkin-book)\n* [《机器学习实战》 PelerHarrington](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F机器学习实战%20中文双页版.pdf)\n* [机器学习与深度学习书单](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzAxMjcyNjE5MQ==&mid=2650488718&idx=1&sn=815a79d27d500f0fb8db1fe1fc6cfe48&chksm=83a2e54eb4d56c58a0989654f920d64ad2784ce52e4b2bc6883974257cf475c9983f05fb88c1&scene=0&xtrack=1&ascene=14&devicetype=android-28&version=27000339&nettype=WIFI&abtest_cookie=AwABAAoACwATAAQAI5ceAFaZHgDQmR4A3JkeAAAA&lang=zh_CN&pass_ticket=oEB1108Pes6HkdxEITmBjTb2Glju5%2BEGqHZKz50fMg0rgK4l9Fodlbe%2FDm96iX57&wx_header=1)\n\n### 深度学习基础\n\n#### 快速入门\n* [深度学习思维导图](https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fdeeplearning-mindmap)\n* [《斯坦福大学深度学习基础教程》 Andrew Ng（吴恩达）](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F斯坦福大学-深度学习基础教程.pdf)  \n* [深度学习 吴恩达 个人笔记](http:\u002F\u002Fwww.ai-start.com\u002Fdl2017\u002F)  && [视频](http:\u002F\u002Fmooc.study.163.com\u002FsmartSpec\u002Fdetail\u002F1001319001.htm)\n* [MIT深度学习基础-2019视频课程](https:\u002F\u002Fdeeplearning.mit.edu\u002F)\n* [台湾大学（NTU）李宏毅教授课程](http:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~tlkagk\u002Findex.html) && [[leeml-notes](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fleeml-notes)\n* [图解深度学习_Grokking-Deep-Learning](https:\u002F\u002Fgithub.com\u002Fiamtrask\u002FGrokking-Deep-Learning)\n* [《神经网络与深度学习》 Michael Nielsen](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F神经网络和深度学习neural%20networks%20and%20deep-learning-中文_ALL.pdf)     \n* [ CS321-Hinton](http:\u002F\u002Fwww.cs.toronto.edu\u002F~tijmen\u002Fcsc321\u002F)\n* [ CS230: Deep Learning](https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs230\u002F)\t\t\n* [ CS294-112](http:\u002F\u002Frail.eecs.berkeley.edu\u002Fdeeprlcourse\u002Fresources\u002F)\n\n##### 计算机视觉\n* [CS231 李飞飞 已授权个人翻译笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F21930884) && [视频](http:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?courseId=1003223001)\n* [计算机视觉研究方向](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FWNkzfvYtEO5zJoe_-yAPow)\n\n##### 自然语言处理\n* [CS224n: Natural Language Processing with Deep Learning](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Findex.html)\n* [NLP上手教程](https:\u002F\u002Fgithub.com\u002FFudanNLP\u002Fnlp-beginner)\n* [NLP入门推荐书目（2019版）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58874484)\n\n##### 深度强化学习\n* [CS234: Reinforcement Learning](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs234\u002Findex.html)\n\n#### 深入理解\n* [《深度学习》 Yoshua Bengio.Ian GoodFellow](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0.Yoshua%20Bengio%2BIan%20GoodFellow.pdf):star:       \n* [《自然语言处理》Jacob Eisenstein](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86.Jacob%20Eisenstein.pdf)\t\t\n* [《强化学习》](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FReinforcement%20Learning.Sutton.pdf) && [第二版](http:\u002F\u002Fincompleteideas.net\u002Fbook\u002FRLbook2018trimmed.pdf)\t\n* [hangdong的深度学习博客,论文推荐](https:\u002F\u002Fhandong1587.github.io\u002Fcategories.html#deep_learning-ref)\n* [Practical Deep Learning for Coders, v3](https:\u002F\u002Fcourse.fast.ai\u002F)\n* [《Tensorflow实战Google深度学习框架》 郑泽宇 顾思宇](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FTensorflow%20实战Google深度学习框架.pdf)\n\n#### 一些书单\n\n* [2019年最新-深度学习、生成对抗、Pytorch优秀教材推荐](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63784033)\n\n### 工程能力\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_8046471d3694.jpg)\n\n* [如何系统地学习算法？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F20588261\u002Fanswer\u002F798928056) && [LeetCode](https:\u002F\u002Fleetcode.com\u002F) && [leetcode题解](https:\u002F\u002Fgithub.com\u002Fazl397985856\u002Fleetcode) && [《算法导论》中算法的C++实现](https:\u002F\u002Fgithub.com\u002Fhuaxz1986\u002Fcplusplus-_Implementation_Of_Introduction_to_Algorithms)\n* [机器学习算法实战](#机器学习实战篇)\n* [深度学习框架](#深度学习框架)\n* [如何成为一名算法工程师](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FYMtnBAVDZepsMTO4h-VRtQ) && [从小白到入门算法，我的经验分享给你～](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzAxMjcyNjE5MQ==&mid=2650488786&idx=1&sn=68b9536d0b0b3105ab8d79f8efcb0a4b&chksm=83a2e512b4d56c045c6ab0349108842e6a5b26e8f3e507ff5d19ee50e3bd63ef149a36d23eef&scene=0&xtrack=1&ascene=14&devicetype=android-28&version=27000437&nettype=WIFI&abtest_cookie=BAABAAoACwASABMABgAjlx4AVpkeANCZHgDcmR4A8ZkeAAOaHgAAAA%3D%3D&lang=zh_CN&pass_ticket=4yovfEr0v09yZCvvQ1NEy12qGIonnRpGi774X09Mh5EZD2oL%2BRz6FTtX9R5gALB1&wx_header=1) && [我的研究生这三年](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54161673) :star:\n* [编程面试的题目分类](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F89392459)\n* [《AI算法工程师手册》](http:\u002F\u002Fwww.huaxiaozhuan.com\u002F)\n* [如何准备算法工程师面试，斩获一线互联网公司机器学习岗offer？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F76827460)\n* [【完结】深度学习CV算法工程师从入门到初级面试有多远，大概是25篇文章的距离](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FHZ3Cd2jHuikyFN9ydvcMTw)\n* [ 计算机相关技术面试必备](https:\u002F\u002Fgithub.com\u002FCyC2018\u002FCS-Notes) && [CS-WiKi](https:\u002F\u002Fveal98.gitee.io\u002Fcs-wiki\u002F#\u002F) && [计算机基础面试问题全面总结](https:\u002F\u002Fgithub.com\u002Fwolverinn\u002FWaking-Up) && [TeachYourselfCS-CN](https:\u002F\u002Fgithub.com\u002Fkeithnull\u002FTeachYourselfCS-CN) && [面试算法笔记-中文](https:\u002F\u002Fgithub.com\u002Fimhuay\u002FAlgorithm_for_Interview-Chinese) \n* [算法工程师面试](https:\u002F\u002Fgithub.com\u002FDarLiner\u002FAlgorithm_Interview_Notes-Chinese)\n* [深度学习面试题目](https:\u002F\u002Fgithub.com\u002FShanghaiTechAIClub\u002FDLInterview)\n* [深度学习500问](https:\u002F\u002Fgithub.com\u002Fscutan90\u002FDeepLearning-500-questions)\n* [AI算法岗求职攻略](https:\u002F\u002Fgithub.com\u002Famusi\u002FAI-Job-Notes#Strategy)\n* [Kaggle实战]()\n  * 常用算法：\n    * Feature Engineering：continue variable && categorical variable\n    * Classic machine learning algorithm：LR, KNN, SVM, Random Forest, GBDT(XGBoost&&LightGBM), Factorization Machine, Field-aware Factorization Machine, Neural Network\n    * Cross validation, model selection：grid search, random search, hyper-opt\n    * Ensemble learning\n  * [kaggle竞赛宝典第一章-竞赛框架篇！:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FEGiFG6u9BYr1aBdq0a0wIQ)\n  * [Kaggle 项目实战（教程） = 文档 + 代码 + 视频](https:\u002F\u002Fgithub.com\u002Fapachecn\u002Fkaggle)\n  * [Kaggle入门系列：（一）机器学习环境搭建](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29086448) && [Kaggle入门系列：（二）Kaggle简介](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29417603) && [Kaggle入门系列（三）Titanic初试身手](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29086614)\n  * [从 0 到 1 走进 Kaggle](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61660061) \n  * [Kaggle 入门指南](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25742261) \n  * [一个框架解决几乎所有机器学习问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61657532) && [Approaching (Almost) Any Machine Learning Problem | Abhishek Thakur](http:\u002F\u002Fblog.kaggle.com\u002F2016\u002F07\u002F21\u002Fapproaching-almost-any-machine-learning-problem-abhishek-thakur\u002F)\n  * [分分钟带你杀入Kaggle Top 1%](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27424282)\n  * [如何达到Kaggle竞赛top 2%？这里有一篇特征探索经验帖](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F48758045) \n  * [如何在 Kaggle 首战中进入前 10%？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27486736)\n  * [Kaggle 首战 Top 2%, APTOS 2019 复盘总结 + 机器学习竞赛通用流程归纳](http:\u002F\u002Fbbs.cvmart.net\u002Ftopics\u002F1717)\n  * [kaggle的riiid比赛里关于数据处理时间空间优化的笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F344388290)\n* [大数据&机器学习相关竞赛推荐](https:\u002F\u002Fblog.csdn.net\u002Fweixin_33739541\u002Farticle\u002Fdetails\u002F87565983)\n\n## 二. 神经网络模型概览\t\t\n\n* [1. 一文看懂25个神经网络模型](https:\u002F\u002Fblog.csdn.net\u002Fqq_35082030\u002Farticle\u002Fdetails\u002F73368962)\n* [2. DNN概述论文：详解前馈、卷积和循环神经网络技术](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29141828)\n* [3. colah's blog](http:\u002F\u002Fcolah.github.io\u002F)\n* [4. Model Zoom](https:\u002F\u002Fmodelzoo.co\u002F)\n* [5. DNN概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29141828)\n* [GitHub上的机器学习\u002F深度学习综述项目合集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60245227)\n* [AlphaTree-graphic-deep-neural-network](https:\u002F\u002Fgithub.com\u002Fweslynn\u002FAlphaTree-graphic-deep-neural-network)\n\n### CNN\n\n#### 发展史\n\n* [94页论文综述卷积神经网络：从基础技术到研究前景](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35388569)\n\n##### 图像分类\n\n* [从LeNet-5到DenseNet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31006686)      \n* [深度学习笔记（十一）网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv](https:\u002F\u002Fwww.cnblogs.com\u002Fxuanyuyt\u002Fp\u002F11329998.html)\n* [CNN网络结构的发展](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F68411179)\n* [Awesome - Image Classification：论文&&代码大全](https:\u002F\u002Fgithub.com\u002Fweiaicunzai\u002Fawesome-image-classification)\n* [pytorch-image-models](https:\u002F\u002Fgithub.com\u002Frwightman\u002Fpytorch-image-models)\n\n##### 目标检测\n\n- [深度学习之目标检测的前世今生（Mask R-CNN）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32830206)      \n- [深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29434605)      \n- [从RCNN到SSD，这应该是最全的一份目标检测算法盘点](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36184131)    \n- [目标检测算法综述三部曲](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40047760)\n  - [基于深度学习的目标检测算法综述（一）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40047760)\n  - [基于深度学习的目标检测算法综述（二）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40020809)\n  - [基于深度学习的目标检测算法综述（三）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40102001)\n- [From RCNN to YOLOv3]()：[上](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35724768)，[下](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35731743)\n- [后 R-CNN时代， Faster R-CNN、SSD、YOLO 各类变体统治下的目标检测综述：Faster R-CNN系列胜了吗？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38709522)\n- [目标检测进化史](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60590369)\n- [CVPR2019目标检测方法进展综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59376548)\n- [一文看尽21篇目标检测最新论文（腾讯\u002FGoogle\u002F商汤\u002F旷视\u002F清华\u002F浙大\u002FCMU\u002F华科\u002F中科院等](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61080508)\n- [我这两年的目标检测](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82491218)\n- [Anchor-Free目标检测算法](): [第一篇：arxiv2015_baidu_DenseBox](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40221183)， [如何评价最新的anchor-free目标检测模型FoveaBox？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F319605567\u002Fanswer\u002F647844997), [FCOS: 最新的one-stage逐像素目标检测算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61644900) && [最新的Anchor-Free目标检测模型FCOS，现已开源！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62198865) && [中科院牛津华为诺亚提出CenterNet，one-stage detector可达47AP，已开源！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62789701) && [AnchorFreeDetection](https:\u002F\u002Fgithub.com\u002FVCBE123\u002FAnchorFreeDetection)\n- [Anchor free深度学习的目标检测方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64563186)\n- [聊聊Anchor的\"前世今生\"（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63273342)&&[聊聊Anchor的\"前世今生\"（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F68291859)\n- [目标检测算法综述之FPN优化篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62975854) && [一文看尽物体检测中的各种FPN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F148738276)\n- [awesome-object-detection：论文&&代码](https:\u002F\u002Fgithub.com\u002Famusi\u002Fawesome-object-detection)\n- [deep_learning_object_detection](https:\u002F\u002Fgithub.com\u002Fhoya012\u002Fdeep_learning_object_detection)\n- [ObjectDetectionImbalance](https:\u002F\u002Fgithub.com\u002Fkemaloksuz\u002FObjectDetectionImbalance)\n\n##### 图像分割（语义分割、实例分割、全景分割）\n\n* [图像语义分割(Semantic segmentation) Survey](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36801104)\n* [干货 | 一文概览主要语义分割网络](https:\u002F\u002Fblog.csdn.net\u002Fqq_20084101\u002Farticle\u002Fdetails\u002F80432960)\n* [语义分割 发展综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37618829)       \n* [9102年了，语义分割的入坑指南和最新进展都是什么样的](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F76603228)\n* [实例分割最新最全面综述：从Mask R-CNN到BlendMask](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F110132002)\n* [语义分割综述：深度学习背景下的语义分割的发展状况【推荐】](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F133212654)\n* [Awesome Semantic Segmentation：论文&&代码](https:\u002F\u002Fgithub.com\u002Fmrgloom\u002Fawesome-semantic-segmentation)\n* [一篇看完就懂的最新语义分割综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F110123136)\n* [基于深度学习的语义分割综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F142451150)\n\n##### 轻量化卷积神经网络\n\n- [纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32746221)   \n\n##### 人脸相关\n\n* [如何走近深度学习人脸识别？你需要这篇超长综述 | 附开源代码](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35295839)    \n* [人脸检测和识别算法综述]()      \n    * [人脸检测算法综述 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36621308)          \n    * [人脸检测背景介绍和发展现状](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32702868)\n    * [人脸识别算法演化史](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36416906)\n    * [CascadeCNN](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F50358809)  \n    * [MTCNN](https:\u002F\u002Fblog.csdn.net\u002Fqq_14845119\u002Farticle\u002Fdetails\u002F52680940)\n    * [awesome-Face_Recognition](https:\u002F\u002Fgithub.com\u002FChanChiChoi\u002Fawesome-Face_Recognition)\n    * [异质人脸识别研究综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64191484)\n    * [老板来了：人脸识别+手机推送，老板来了你立刻知道。](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26431250)&& [手把手教你用Python实现人脸识别](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33456076) && [人脸识别项目，网络模型，损失函数，数据集相关总结](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fe57205edc364)\n    * [基于深度学习的人脸识别技术综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24816781) && [如何走近深度学习人脸识别？你需要这篇超长综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35295839) && [人脸识别损失函数综述（附开源实现）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F51324547) && [Face Recognition Loss on Mnist with Pytorch](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64427565) && [人脸识别的LOSS（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34404607) && [人脸识别的LOSS（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34436551)\n* [人脸关键点检测]()\n    * [【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F88344339)\n    * [从传统方法到深度学习，人脸关键点检测方法综述](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FCvdeV5xgUF0kStJQdRst0w)\n    * [人脸关键点检测综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F42968117)\n    * [人脸专集4 | 遮挡、光照等因素的人脸关键点检测](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62824113)\n    * [【Face key point detection】人脸关键点检测实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52525598)\n    * [OpenCV实战：人脸关键点检测（FaceMark）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35390012)\n    * [CenterFace+TensorRT部署人脸和关键点检测400fps](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F106774468)\n\n##### 图像超分辨率\n\n* [深度学习图像超分辨率综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57564211)\n* [从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31664818)\n\n##### 行人重识别\n\n* [【CVPR2019正式公布】行人重识别论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62843442)\n* [【CVPR2019正式公布】行人重识别论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62843442)，[2019 行人再识别年度进展回顾](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64004977)\n\n##### 图像着色\n\n* [Awesome-Image-Colorization](https:\u002F\u002Fgithub.com\u002FMarkMoHR\u002FAwesome-Image-Colorization)\n\n##### 边检测\n\n* [Awesome-Edge-Detection-Papers](https:\u002F\u002Fgithub.com\u002FMarkMoHR\u002FAwesome-Edge-Detection-Papers)\n\n##### OCR&&文本检测\n\n* [2019CVPR文本检测综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67319122)\n* [OCR文字处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65707543)\n* [自然场景文本检测识别技术综述](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzU4MjQ3MDkwNA==&mid=2247485142&idx=1&sn=c0e01da30eb5e750be453eabe4be2bf4&chksm=fdb69b41cac11257ae22c7dac395e9651dab628fc35dd6d3c02d9566a8c7f5f2b56353d58a64&token=1065243837&lang=zh_CN#rd)\n\n##### 点云\n\n* [awesome-point-cloud-analysis](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65690433)\n\n##### 细粒度图像分类\n\n* [超全深度学习细粒度图像分析：项目、综述、教程一网打尽](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F73542103)\n\n##### 图像检索\n\n* 图像检索的十年[上](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FsM78DCOK3fuG2JrP2QaSZA)、[下](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FyzVMDEpwbXVS0y-CwWSBEA)\n\n##### 人群计数\n\n* [人群计数](http:\u002F\u002Fchuansong.me\u002Fn\u002F443237851736), [1](https:\u002F\u002Fwww.cnblogs.com\u002Fwmr95\u002Fp\u002F8134692.html), [2](https:\u002F\u002Fblog.csdn.net\u002Fu011285477\u002Farticle\u002Fdetails\u002F51954989), [3](https:\u002F\u002Fblog.csdn.net\u002Fqingqingdeaini\u002Farticle\u002Fdetails\u002F79922549)\n\n#### 教程\n\n##### 前馈神经网络\n\n* [从基本原理到梯度下降，小白都能看懂的神经网络教程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59385110)\n\n##### 激活函数\n\n* [激活函数一览](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30567264) && [深度学习中几种常见的激活函数理解与总结](https:\u002F\u002Fwww.cnblogs.com\u002FXDU-Lakers\u002Fp\u002F10557496.html)\n* [一个激活函数需要具有哪些必要的属性](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F67366051)\n\n##### 反向传播算法\n\n* [反向传播算法（过程及公式推导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51039334)\n* [通俗理解神经网络BP传播算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24801814)\n\n##### 优化问题\n\n* [神经网络训练中的梯度消失与梯度爆炸](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25631496)\n* [梯度消失和梯度爆炸问题详解](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F3f35e555d5ba)\n* [详解深度学习中的梯度消失、爆炸原因及其解决方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33006526) && [神经网络梯度消失和梯度爆炸及解决办法](https:\u002F\u002Fblog.csdn.net\u002Fprogram_developer\u002Farticle\u002Fdetails\u002F80032376)\n\n##### 卷积层\n\n* [A Comprehensive Introduction to Different Types of Convolutions in Deep Learning](https:\u002F\u002Ftowardsdatascience.com\u002Fa-comprehensive-introduction-to-different-types-of-convolutions-in-deep-learning-669281e58215) && 翻译：[上](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201902\u002FD2Mkv61w9IPq9qGh.html)、[下](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201902\u002FbiIqSBpehsaXFwpN.html?uniqueCode=OTEsp9649VqJfUcO)\n* [卷积有多少种？一文读懂深度学习中的各种卷积](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57575810)\n* [各种卷积](https:\u002F\u002Fwww.cnblogs.com\u002FcvtoEyes\u002Fp\u002F8848815.html)\n* [Convolution Network及其变种（反卷积、扩展卷积、因果卷积、图卷积）](https:\u002F\u002Fwww.cnblogs.com\u002Fyangperasd\u002Fp\u002F7071657.html)\n* [深度学习基础--卷积类型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59839551)\n* [变形卷积核、可分离卷积](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28749411)\n* [对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解](https:\u002F\u002Fblog.csdn.net\u002Fchaolei3\u002Farticle\u002Fdetails\u002F79374563)\n* [反卷积](https:\u002F\u002Fbuptldy.github.io\u002F2016\u002F10\u002F29\u002F2016-10-29-deconv\u002F) \n* [Dilated\u002FAtrous conv 空洞卷积\u002F多孔卷积](https:\u002F\u002Fblog.csdn.net\u002Fsilence2015\u002Farticle\u002Fdetails\u002F79748729)\n* [卷积层输出大小尺寸计算及 “SAME” 和 “VALID”](https:\u002F\u002Fblog.csdn.net\u002Fweixin_37697191\u002Farticle\u002Fdetails\u002F89527315) && [卷积的三种模式full, same, valid以及padding的same, valid](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62760780)\n* [正常卷积与空洞卷积输出特征图与感受野大小的计算](https:\u002F\u002Fblog.csdn.net\u002Fqq_43232545\u002Farticle\u002Fdetails\u002F103317773)\n* [【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积?](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F78003476)\t\n* [【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积？](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F78003730)\n* [【Tensorflow】tf.nn.separable_conv2d如何实现深度可分卷积?](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F78002811)\t\n* [【TensorFlow】tf.nn.conv2d_transpose是怎样实现反卷积的？](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F71713358)\n\n##### 池化层\n\n* [卷积神经网络中的各种池化操作](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F112216409)\n\n##### 卷积神经网络\n\n- [卷积神经网络工作原理](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F39022858)\n- [「七夕的礼物」: 一日搞懂卷积神经网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28863709)\n- [一文读懂卷积神经网络中的1x1卷积核](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40050371)\n- [如何理解神经网络中通过add和concate的方式融合特征？](https:\u002F\u002Fblog.csdn.net\u002Fxiaojiajia007\u002Farticle\u002Fdetails\u002F86008415) && [神经网络中对需要concat的特征进行线性变换然后相加是否好于直接concat?](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F389912594\u002Fanswer\u002F1178054600)\n- [CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F65305385) && [深度学习中卷积的参数量和计算量](https:\u002F\u002Fwww.cnblogs.com\u002Fhejunlin1992\u002Fp\u002F12978988.html)\n\n##### 图像分类网络详解\n\n* [经典CNN模型LeNet解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41736894)\n* [机器学习进阶笔记之三 | 深入理解Alexnet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22659166)\n* [一文读懂VGG网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41423739)\n* [Inception V1,V2,V3,V4 模型总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52802896)\n* [ResNet解析](https:\u002F\u002Fblog.csdn.net\u002Flanran2\u002Farticle\u002Fdetails\u002F79057994)\n* [一文简述ResNet及其多种变体](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35985680)\n* [CapsNet入门系列](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484099&idx=1&sn=97e209f1a9860c8d8c51e81d98fc8a0a&chksm=eb4ee600dc396f16624a33cdfc0ead905e62ae9447b49b20146020e6cbd7d71f089101512a40&scene=21#wechat_redirect)\n  - [CapsNet入门系列之一：胶囊网络背后的直觉](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484099&idx=1&sn=97e209f1a9860c8d8c51e81d98fc8a0a&chksm=eb4ee600dc396f16624a33cdfc0ead905e62ae9447b49b20146020e6cbd7d71f089101512a40&scene=21#wechat_redirect)\n  - [CapsNet入门系列之二：胶囊如何工作](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484165&idx=1&sn=0ca679e3a5f499f8d8addb405fe3df83&chksm=eb4ee7c6dc396ed0a330fcac12690110bcaf9a8a10794dbc5e1a326c69ecbb140140f55fd6ba&scene=21#wechat_redirect)\n  - [CapsNet入门系列之三：囊间动态路由算法](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484433&idx=1&sn=3afe4605bc2501eebbc41c6dd1af9572&chksm=eb4ee0d2dc3969c4619d6c1097d5c949c76c6c854e60d36eba4388da2c3855747818d062c90a&scene=21#wechat_redirect)\n  - [CapsNet入门系列之四：胶囊网络架构](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F6CRSen8P6zKaMGtX8IRfqw)\n* [深入剖析MobileNet和它的变种（例如：ShuffleNet）为什么会变快？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F158591662)\n* [CNN模型之ShuffleNet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32304419)\n* [ShuffleNet V2和四个网络架构设计准则](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40980942)\n* [ResNeXt 深入解读与模型实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78019001)\n* [如何评价Momenta ImageNet 2017夺冠架构SENet?](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F63460684)\n* [CBAM：卷积块注意力模块](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F79419670) && [CBAM: Convolutional Block Attention Module](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65529934)\n* [SKNet——SENet孪生兄弟篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59690223)\n* [GCNet：当Non-local遇见SENet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64988633)\n* [深度学习笔记（十一）网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv](https:\u002F\u002Fwww.cnblogs.com\u002Fxuanyuyt\u002Fp\u002F11329998.html)\n* [如何评价最新的Octave Convolution？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F320462422)\n* [ResNeSt 之语义分割](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F136105870) && [关于ResNeSt的点滴疑惑](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F133805433) && [ResNeSt在刷榜之后被ECCV2020 strong reject](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F143214871)\n\n##### 目标检测网络详解\n\n* [目标检测的性能评价指标](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F70306015) && [NMS和计算mAP时的置信度阈值和IoU阈值 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F75348108) && [白话mAP](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60834912) && [目标检测模型的评估指标mAP详解(附代码）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37910324)\n* [深度学习中IU、IoU(Intersection over Union)](https:\u002F\u002Fblog.csdn.net\u002Fiamoldpan\u002Farticle\u002Fdetails\u002F78799857)\n* [Selective Search for Object Detection ](https:\u002F\u002Fwww.learnopencv.com\u002Fselective-search-for-object-detection-cpp-python\u002F)[（译文）](https:\u002F\u002Fblog.csdn.net\u002Fguoyunfei20\u002Farticle\u002Fdetails\u002F78723646)\n* [Region Proposal Network(RPN)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F106192020)\n* [边框回归(Bounding Box Regression)详解](https:\u002F\u002Fblog.csdn.net\u002Fzijin0802034\u002Farticle\u002Fdetails\u002F77685438)\n* [NMS——非极大值抑制](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F52711706) && [非极大值抑制NMS的python实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F128125301)\n* [一文打尽目标检测NMS——精度提升篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F151914931) && [一文打尽目标检测NMS——效率提升篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F157900024)\n* [目标检测回归损失函数简介：SmoothL1\u002FIoU\u002FGIoU\u002FDIoU\u002FCIoU Loss](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104236411)\n* [将CNN引入目标检测的开山之作：R-CNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23006190)\n* [R-CNN论文详解](https:\u002F\u002Fblog.csdn.net\u002Fu014696921\u002Farticle\u002Fdetails\u002F52824097)\n* [深度学习（十八）基于R-CNN的物体检测](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F50187029)\n* [Fast R-CNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24780395)\n* [深度学习（六十四）Faster R-CNN物体检测](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F73382553) && [你真的学会RoI Pooling了吗?](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59692298)\n* [目标检测论文阅读：Feature Pyramid Networks for Object Detection](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36461718)\n* [SSD](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24954433)\n* [实例分割--Mask RCNN详解(ROI Align \u002F Loss Function)](https:\u002F\u002Fwww.codetd.com\u002Farticle\u002F2554465) && [令人拍案称奇的Mask RCNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37998710)\n* [何恺明大神的「Focal Loss」，如何更好地理解？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32423092) && [FocalLoss 对样本不平衡的权重调节和减低损失值](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82148525) && [focal_loss 多类别和二分类 Pytorch代码实现](https:\u002F\u002Fblog.csdn.net\u002Fqq_33278884\u002Farticle\u002Fdetails\u002F91572173) && [多分类focal loss及其tensorflow实现](https:\u002F\u002Fblog.csdn.net\u002Fqq_39012149\u002Farticle\u002Fdetails\u002F96184383)\n* [堪比Focal Loss！解决目标检测中样本不平衡的无采样方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F93658728)\n* [目标检测正负样本区分策略和平衡策略总结(一)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138824387) && [目标检测正负样本区分策略和平衡策略总结(二)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138828372) && [目标检测正负样本区分策略和平衡策略总结(三）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F144659734)\n* [YOLO](http:\u002F\u002Fwww.mamicode.com\u002Finfo-detail-2314392.html) && [目标检测|YOLO原理与实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32525231) && [图解YOLO](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24916786) && [【论文解读】Yolo三部曲解读——Yolov1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F70387154)\n* [目标检测|YOLOv2原理与实现(附YOLOv3)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35325884?group_id=966229905398362112) && [YOLO2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25167153) && [【论文解读】Yolo三部曲解读——Yolov2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F74540100)\n* [\u003C机器爱学习>YOLO v3深入理解](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F49556105) && [【论文解读】Yolo三部曲解读——Yolov3](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F76802514)\n* [YOLOv4](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138510087)\n* [目标检测之CornerNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.01244), [1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41825737), [2](https:\u002F\u002Fblog.csdn.net\u002FHibercraft\u002Farticle\u002Fdetails\u002F81637451), [3](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41759548)\n* [目标检测小tricks--样本不均衡处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60612064)\n\n##### 图像分割网络详解\n\n* [超像素、语义分割、实例分割、全景分割 傻傻分不清 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F50996404) && [语义分割、实例分割和全景分割的区别](https:\u002F\u002Fblog.csdn.net\u002Fu013066730\u002Farticle\u002Fdetails\u002F103613154)\n* [语义分割卷积神经网络快速入门](https:\u002F\u002Fblog.csdn.net\u002Fqq_20084101\u002Farticle\u002Fdetails\u002F80455877)          \n* [图像语义分割入门+FCN\u002FU-Net网络解析](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31428783) && [深入理解深度学习分割网络Ｕnet](https:\u002F\u002Fblog.csdn.net\u002FFormlsl\u002Farticle\u002Fdetails\u002F80373200)\n* [Unet神经网络为什么会在医学图像分割表现好？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F269914775)\n* [图像语义分割的工作原理和CNN架构变迁](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38033032)\n* [语义分割中的Attention和低秩重建](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F77834369)\n* [打通多个视觉任务的全能Backbone:HRNet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F134253318)\n\n##### 注意力机制\n\n* [深度学习中的注意力模型（2017版）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37601161)\n* [Attention Model（mechanism） 的 套路](https:\u002F\u002Fblog.csdn.net\u002Fbvl10101111\u002Farticle\u002Fdetails\u002F78470716)\n* [计算机视觉中的注意力机制（推荐）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F146130215) \n* [More About Attention（推荐）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F106662375)\n* [计算机视觉中的注意力机制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32928645)\n* [NLP中的Attention Mechanism](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31547842)\n* [Transformer中的Attention](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fk8PdZAld2ANVoekuyQxI3w)\n* [综述：图像处理中的注意力机制](https:\u002F\u002Fbbs.cvmart.net\u002Ftopics\u002F2581)\n\n##### 特征融合\n\n* [盘点目标检测中的特征融合技巧（根据YOLO v4总结）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F141685352)\n* [多尺度融合介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F147820687)\n\n#### Action\n\n* [PyTorch官方实现ResNet](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fvision\u002Fblob\u002Fmaster\u002Ftorchvision\u002Fmodels\u002Fresnet.py) && [pytorch_resnet_cifar10](https:\u002F\u002Fgithub.com\u002Fakamaster\u002Fpytorch_resnet_cifar10)\n* [PyTorch 63.Coding for FLOPs, Params and Latency](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F268816646)\n* [先读懂CapsNet架构然后用TensorFlow实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30753326)\n* [目标检测-20种模型的原味代码汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37056927)     \n* [TensorFlow Object Detection API 教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79306762)\n  * [TensorFlow 对象检测 API 教程1](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79306762)\n  * [TensorFlow 对象检测 API 教程2](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307598)\n  * [TensorFlow 对象检测 API 教程3](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307751)\n  * [TensorFlow 对象检测 API 教程 4](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307931)\n  * [TensorFlow 对象检测 API 教程5](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307933)\n* [在TensorFlow+Keras环境下使用RoI池化一步步实现注意力机制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65327747)\n* [mxnet如何查看参数数量](https:\u002F\u002Fdiscuss.gluon.ai\u002Ft\u002Ftopic\u002F7216) && [mxnet查看FLOPS](https:\u002F\u002Fgithub.com\u002Flikelyzhao\u002FCalFLOPS-Mxnet)\n* [Pytorch-UNet](https:\u002F\u002Fgithub.com\u002Fmilesial\u002FPytorch-UNet)\n* [segmentation_models.pytorch](https:\u002F\u002Fgithub.com\u002Fqubvel\u002Fsegmentation_models.pytorch)\n\n### GAN\n\n#### 发展史      \n\n* [千奇百怪的GAN变体](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26491601)      \n* [苏剑林博客，讲解得淋漓尽致](https:\u002F\u002Fkexue.fm\u002Ftag\u002FGAN\u002F)\n* [The GAN Landscape：Losses, Architectures, Regularization, and Normalization](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1807.04720.pdf)\n* [深度学习新星：GAN的基本原理、应用和走向](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201701\u002FKq6FvnjgbKK8Lh8N.html)\n* [GAN生成图像综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62746494)\n* [2017年GAN 计算机视觉相关paper汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29882709)\n* [必读的10篇关于GAN的论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F72745900)\n\n#### 教程     \n\n* [GAN原理学习笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27295635)\n* [GAN万字长文综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58812258)\n* [极端图像压缩的对抗生成网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35783437?group_id=969598777652420608)\n* [台湾大学李宏毅GAN教程](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0CKeqXl5IY0&feature=youtu.be)\n    * [Basic](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FGAN-Basic%20Idea%20(2017.04.21).pdf)\n    * [Improving](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FGAN-Improving%20GAN%20(2017.05.05).pdf)\n* [CycleGAN：图片风格，想换就换 | ICCV 2017论文解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34711316)\n* [Wasserstein GAN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25071913) && [GAN：两者分布不重合JS散度为log2的数学证明](https:\u002F\u002Fblog.csdn.net\u002FInvokar\u002Farticle\u002Fdetails\u002F88917214)\n* [用变分推断统一理解生成模型（VAE、GAN、AAE、ALI）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40105143)\n#### Action     \n\n* [GAN学习指南：从原理入门到制作生成Demo](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24767059)    \n* [机器之心GitHub项目：GAN完整理论推导与实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29837245)   \n* [在Keras上实现GAN：构建消除图片模糊的应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35030377)  \n\n### RNN      \n\n#### 发展史      \n\n* [从90年代的SRNN开始，纵览循环神经网络27年的研究进展](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32668465)       \n\n#### 教程     \n\n* [Awesome-Chinese-NLP](https:\u002F\u002Fgithub.com\u002Fcrownpku\u002FAwesome-Chinese-NLP)\n* [nlp-pytorch-zh](https:\u002F\u002Fgithub.com\u002Fapachecn\u002Fnlp-pytorch-zh)\n* [完全图解RNN、RNN变体、Seq2Seq、Attention机制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28054589)\n* [循环神经网络(RNN, Recurrent Neural Networks)介绍](https:\u002F\u002Fblog.csdn.net\u002Fheyongluoyao8\u002Farticle\u002Fdetails\u002F48636251)\n* [RNN以及LSTM的介绍和公式梳理](https:\u002F\u002Fblog.csdn.net\u002FDark_Scope\u002Farticle\u002Fdetails\u002F47056361)\n* [（译）理解长短期记忆(LSTM) 神经网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24018768)\n* [ 一文读懂LSTM和RNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35878575?group_id=970350175025385472)\n* [探索LSTM：基本概念到内部结构](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27345523)\n* [ 翻译：深入理解LSTM系列](https:\u002F\u002Fblog.csdn.net\u002Fmatrix_space\u002Farticle\u002Fdetails\u002F53374040)                      \n* [深入理解 LSTM 网络 (一)](https:\u002F\u002Fblog.csdn.net\u002Fmatrix_space\u002Farticle\u002Fdetails\u002F53374040)\n* [深入理解 LSTM 网络 (二)](https:\u002F\u002Fblog.csdn.net\u002Fmatrix_space\u002Farticle\u002Fdetails\u002F53376870)\n* [LSTM](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32085405)\n* [深度学习其五 循环神经网络](https:\u002F\u002Fzybuluo.com\u002Fhanbingtao\u002Fnote\u002F541458)                      \n* [用循环神经网络进行文件无损压缩：斯坦福大学提出DeepZip](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32582764)         \n* [吴恩达序列建模课程]()\n    * [Coursera吴恩达《序列模型》课程笔记（1）-- 循环神经网络（RNN）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34309635)\n    * [Coursera吴恩达《序列模型》课程笔记（2）-- NLP & Word Embeddings](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34975871)\n    * [Coursera吴恩达《序列模型》课程笔记（3）-- Sequence models & Attention mechanism](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35532553)\n* word2vec\n\n    - 原理\n      - [NLP 秒懂词向量Word2vec的本质](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26306795)\n      - [一篇通俗易懂的word2vec](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35500923)\n      - [YJango的Word Embedding--介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27830489)\n      - [nlp中的词向量对比：word2vec\u002Fglove\u002FfastText\u002Felmo\u002FGPT\u002Fbert](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56382372)\n      - [词嵌入（word2vec）](https:\u002F\u002Fzh.diveintodeeplearning.org\u002Fchapter_natural-language-processing\u002Fword2vec.html)\n      - [谈谈谷歌word2vec的原理](https:\u002F\u002Fblog.csdn.net\u002Fwangyangzhizhou\u002Farticle\u002Fdetails\u002F77073023)\n      - [Word2Vec中为什么使用负采样？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67117737)\n    - 训练词向量\n      - [练习-word2vec](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29200034)\n      - [word2vec方法的实现和应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31886824)\n      - [自然语言处理入门 word2vec 使用tensorflow自己训练词向量](https:\u002F\u002Fblog.csdn.net\u002Fwzdjsgf\u002Farticle\u002Fdetails\u002F79541492)\n      - [使用tensorflow实现word2vec中文词向量的训练](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28979653)\n      - [如何用TensorFlow训练词向量](https:\u002F\u002Fblog.csdn.net\u002Fwangyangzhizhou\u002Farticle\u002Fdetails\u002F77530479?locationNum=1&fps=1)\n* [聊聊 Transformer](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47812375)\n* [基于Transform的机器翻译系统](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F144825330)\n* [基于word2vec训练词向量(一)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35648927)\n* [基于word2vec训练词向量(二)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35889385)\n* [自然语言处理中的自注意力机制（Self-Attention Mechanism）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35041012)    \n* [自然语言处理中注意力机制综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54491016)\n* [YJango的Word Embedding--介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27830489)          \n\n#### Action     \n\n* [推荐：nlp-tutorial](https:\u002F\u002Fgithub.com\u002Fgraykode\u002Fnlp-tutorial)\n* [nlp-tutorial](https:\u002F\u002Fgithub.com\u002Flyeoni\u002Fnlp-tutorial)\n* [tensorflow中RNNcell源码分析以及自定义RNNCell的方法](https:\u002F\u002Fblog.csdn.net\u002Fliuchonge\u002Farticle\u002Fdetails\u002F78405185?locationNum=8&fps=1)     \n* [TensorFlow中RNN实现的正确打开方式](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28196873)      \n* [TensorFlow RNN 代码](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27906426)\n* [Tensorflow实现的深度NLP模型集锦](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67031035)\n* [用tensorflow LSTM如何预测股票价格](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33186759)\n* [TensorFlow的多层LSTM实践](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29797089)\n* [《安娜卡列尼娜》文本生成——利用TensorFlow构建LSTM模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27087310)\n\n### GNN\n\n#### 发展史\n\n* [Graph Neural Network（GNN）综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65539782)\n* [深度学习时代的图模型，清华发文综述图网络](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzA3MzI4MjgzMw==&mid=2650754422&idx=4&sn=0dc881487f362322a875b4ce06e645f7&chksm=871a8908b06d001ef7386ccc752827c20711877a4a23d6a8318978095dd241d118257c607b22&scene=21#wechat_redirect)\n* [清华大学图神经网络综述：模型与应用](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzA3MzI4MjgzMw==&mid=2650754558&idx=2&sn=7d79191b9ed30679d5d40e22d9cabdf8&chksm=871a8980b06d00962e0dbe984e1d3469214db31cb402b4725a0dfe330249a830b45cb26932b5&scene=21#wechat_redirect)\n* [图神经网络概述第三弹：来自IEEE Fellow的GNN综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54241746)\n* [GNN最全文献资料整理](https:\u002F\u002Fgithub.com\u002FDeepGraphLearning\u002FLiteratureDL4Graph) && [Awesome-Graph-Neural-Networks](https:\u002F\u002Fgithub.com\u002Fnnzhan\u002FAwesome-Graph-Neural-Networks)\n\n#### 教程\n\n* [如何理解 Graph Convolutional Network（GCN）](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F54504471)\n* [图卷积网络(GCN)新手村完全指南](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54505069)\n* [何时能懂你的心——图卷积神经网络（GCN）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F71200936)\n* [图卷积网络GCN的理解与介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F90470499)\n* [一文读懂图卷积GCN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F89503068)\n* [2020 年 GNN 开卷有益与再谈图卷积](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F101310106)\n* [【GCN】万字长文带你入门 GCN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F120311352)\n* [如何解决图神经网络（GNN）训练中过度平滑的问题？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F346942899\u002Fanswer\u002F848298494)\n* [全连接的图卷积网络(GCN)和self-attention这些机制有什么区别联系](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F366088445) && [CNN与GCN的区别、联系及融合](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F147654689)\n\n#### Action\n\n* [图卷积网络到底怎么做，这是一份极简的Numpy实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57235377)\n* [DGL](https:\u002F\u002Fdocs.dgl.ai\u002Findex.html)\n\n## 三. 深度模型的优化与正则化\n\n* [1. 优化算法纵览](http:\u002F\u002Ffa.bianp.net\u002Fteaching\u002F2018\u002Feecs227at\u002F)\n* [2. 从梯度下降到Adam](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27449596)\n* [3. 从梯度下降到拟牛顿法：盘点训练神经网络的五大学习算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25703402)\n* [4. 正则化技术总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35429054?group_id=966442942538444800)\n  * [史上最全面的正则化技术总结与分析--part1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35429054?group_id=966442942538444800)\n  * [史上最全面的正则化技术总结与分析--part2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35432128?group_id=966443101011738624)\n* [权重衰减（weight decay）与学习率衰减（learning rate decay）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38709373) && [pytorch必须掌握的的4种学习率衰减策略](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F93624972)\n* [5. 最优化算法系列（math）](https:\u002F\u002Fblog.csdn.net\u002Fchunyun0716\u002Farticle\u002Fcategory\u002F6188191\u002F2)\n* [6. 神经网络训练中的梯度消失与梯度爆炸](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25631496)        \n* [7. 神经网络的优化及训练](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36050743)\n* [8. 通俗讲解查全率和查准率](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35888543) && [全面梳理：准确率,精确率,召回率,查准率,查全率,假阳性,真阳性,PRC,ROC,AUC,F1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34079183) && [机器学习之类别不平衡问题 (1) —— 各种评估指标](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34473430) && [机器学习之类别不平衡问题 (2) —— ROC和PR曲线](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34655990) && [AUC详解与python实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F84035782) && [微平均和宏平均](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78628437)  && [机器学习中的性能度量](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F74980268) && [精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F30643044)\n* [激活函数一览](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30567264) && [深度学习中几种常见的激活函数理解与总结](https:\u002F\u002Fwww.cnblogs.com\u002FXDU-Lakers\u002Fp\u002F10557496.html)\n* [深度学习笔记(三)：激活函数和损失函数](https:\u002F\u002Fblog.csdn.net\u002Fu014595019\u002Farticle\u002Fdetails\u002F52562159)\n* [激活函数\u002F损失函数汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30385380)\n* [机器学习中常见的损失函数及其应用场景](https:\u002F\u002Fblog.csdn.net\u002Fzuolixiangfisher\u002Farticle\u002Fdetails\u002F88649110) && [PyTorch的十八个损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61379965)\n* [深度度量学习中的损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82199561)\n* [反向传播算法（过程及公式推导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51039334)\n* [通俗理解神经网络BP传播算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24801814)\n* [10. Coursera吴恩达《优化深度神经网络》课程笔记（3）-- 超参数调试、Batch正则化和编程框架](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30922689)\n* [11. 机器学习各种熵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35423404)\n* [12. 距离和相似性度量](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27305237)\n* [13. 机器学习里的黑色艺术：normalization, standardization, regularization](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29974820) && [数据标准化\u002F归一化normalization](https:\u002F\u002Fblog.csdn.net\u002Fpipisorry\u002Farticle\u002Fdetails\u002F52247379) && [特征工程中的「归一化」有什么作用？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F20455227)\n* [14. LSTM系列的梯度问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36101196)\n* [15. 损失函数整理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35027284)\n* [16. 详解残差块为何有助于解决梯度弥散问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28124810)\n* [17. FAIR何恺明等人提出组归一化：替代批归一化，不受批量大小限制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34858971)\n* [18. Batch Normalization（BN）]():[1 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26702482),[2 ](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F50866313),[3 ](https:\u002F\u002Fbbs.cvmart.net\u002Ftopics\u002F576),[4 ](https:\u002F\u002Fblog.csdn.net\u002Fedogawachia\u002Farticle\u002Fdetails\u002F80040456), [5](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38176412), [6](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F38102762), [7](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52132614)\n* [19. 详解深度学习中的Normalization，不只是BN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33173246) && [如何区分并记住常见的几种 Normalization 算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F69659844)\n* [20. BFGS](https:\u002F\u002Fblog.csdn.net\u002Fphilosophyatmath\u002Farticle\u002Fdetails\u002F70173128)\n* [21. 详解深度学习中的梯度消失、爆炸原因及其解决方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33006526) && [神经网络梯度消失和梯度爆炸及解决办法](https:\u002F\u002Fblog.csdn.net\u002Fprogram_developer\u002Farticle\u002Fdetails\u002F80032376)\n* [22. Dropout](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1207.0580.pdf), [1](https:\u002F\u002Fblog.csdn.net\u002Fstdcoutzyx\u002Farticle\u002Fdetails\u002F49022443), [2](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F50413257), [3](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F50580915)，[系列解读Dropout](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F50580915)\n* [23.谱归一化（Spectral Normalization）的理解](https:\u002F\u002Fblog.csdn.net\u002FStreamRock\u002Farticle\u002Fdetails\u002F83590347)，[常见向量范数和矩阵范数](https:\u002F\u002Fblog.csdn.net\u002Fleft_la\u002Farticle\u002Fdetails\u002F9159949)，[谱范数正则（Spectral Norm Regularization）的理解](https:\u002F\u002Fblog.csdn.net\u002FStreamRock\u002Farticle\u002Fdetails\u002F83539937)\n* [24.L1正则化与L2正则化](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35356992) && [深入理解L1、L2正则化](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29360425) && [L2正则=Weight Decay？并不是这样](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40814046) && [都9102年了，别再用Adam + L2 regularization](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63982470)\n* [25.为什么选用交叉熵而不是MSE](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61944055) &&[为什么使用交叉熵作为损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63731947) &&[二元分类为什么不能用MSE做为损失函数？](http:\u002F\u002Fsofasofa.io\u002Fforum_main_post.php?postid=1001792)&& [为什么平方损失函数不适用分类问题？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F319865092)\n* [浅谈神经网络中的梯度爆炸问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32154263)\n* [为什么weight decay能够防止过拟合](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F65626362)\n* [交叉熵代价函数（作用及公式推导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51043064) && [交叉熵损失的来源、说明、求导与pytorch实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67782576) && [Softmax函数与交叉熵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27223959) && [极大似然估计与最小化交叉熵损失或者KL散度为什么等价](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F84764177)\n* [梯度下降优化算法纵览](http:\u002F\u002Fruder.io\u002Foptimizing-gradient-descent\u002F), [1](https:\u002F\u002Fblog.csdn.net\u002Fqq_23269761\u002Farticle\u002Fdetails\u002F80901411), [2](https:\u002F\u002Fwww.cnblogs.com\u002Fguoyaohua\u002Fp\u002F8542554.html), [几种优化算法的比较（BGD、SGD、Adam、RMSPROP）](https:\u002F\u002Fblog.csdn.net\u002Fqq_32172681\u002Farticle\u002Fdetails\u002F100979476)\n* **Softmax**：[详解softmax函数以及相关求导过程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25723112)  &&  [softmax的log似然代价函数（公式求导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51045303) && [【技术综述】一文道尽softmax loss及其变种](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34044634)\n* [从最优化的角度看待Softmax损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F45014864)  && [Softmax理解之二分类与多分类](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F45368976) && [Softmax理解之Smooth程度控制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F49939159) && [Softmax理解之margin](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52108088)\n* **权重初始化**\n  * [神经网络中的权重初始化一览：从基础到Kaiming](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62850258)\n  * [深度学习中常见的权重初始化方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138064188)\n  * [深度学习中神经网络的几种权重初始化方法](https:\u002F\u002Fblog.csdn.net\u002Fu012328159\u002Farticle\u002Fdetails\u002F80025785)\n  * [谈谈神经网络权重为什么不能初始化为0](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F75879624)\n  * [神经网络中的偏置（bias）究竟有这么用？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F305340182)\n  * [深度学习里面的偏置为什么不加正则？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F66894061)\n* [为什么说bagging是减少variance，而boosting是减少bias?](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F26760839)\n\n## 四. 炼丹术士那些事\n\n### 调参经验\n* [训练的神经网络不工作？一文带你跨过这37个坑](https:\u002F\u002Fblog.csdn.net\u002Fjiandanjinxin\u002Farticle\u002Fdetails\u002F77190687)\n* [Deep Learning 之 训练过程中出现NaN问题](https:\u002F\u002Fblog.csdn.net\u002FBVL10101111\u002Farticle\u002Fdetails\u002F76086344)\n* [神经网络训练trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59918821)\n* [你有哪些deep learning（rnn、cnn）调参的经验？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41631631)\n* [GAN的一些小trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27725664)\n* [深度学习与计算机视觉系列(8)_神经网络训练与注意点](https:\u002F\u002Fblog.csdn.net\u002Fhan_xiaoyang\u002Farticle\u002Fdetails\u002F50521064)\n* [神经网络训练loss不下降原因集合](https:\u002F\u002Fblog.csdn.net\u002Fliuweiyuxiang\u002Farticle\u002Fdetails\u002F80856991) && [ loss不下降的解决方法](https:\u002F\u002Fblog.csdn.net\u002Fzongza\u002Farticle\u002Fdetails\u002F89185852)\n* [深度学习：欠拟合问题的几种解决方案](https:\u002F\u002Fblog.csdn.net\u002Fu014038273\u002Farticle\u002Fdetails\u002F84108688) &&[过拟合和欠拟合问题](https:\u002F\u002Fblog.csdn.net\u002Fmzpmzk\u002Farticle\u002Fdetails\u002F79741682)\n* [机器学习：如何找到最优学习率](https:\u002F\u002Fblog.csdn.net\u002Fwhut_ldz\u002Farticle\u002Fdetails\u002F78882871)及[实现](https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Ftorchlib)\n* [神经网络中 warmup 策略为什么有效](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F338066667)\n* [不平衡数据集处理方法](): [其一](https:\u002F\u002Fmachinelearningmastery.com\u002Ftactics-to-combat-imbalanced-classes-in-your-machine-learning-dataset\u002F), [其二](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F285824343), [其三](https:\u002F\u002Fblog.csdn.net\u002Fsonghk0209\u002Farticle\u002Fdetails\u002F71484469) && [Awesome Imbalanced Learning](https:\u002F\u002Fgithub.com\u002FZhiningLiu1998\u002Fawesome-imbalanced-learning) && [Class-balanced-loss-pytorch](https:\u002F\u002Fgithub.com\u002Fvandit15\u002FClass-balanced-loss-pytorch)\n* [同一个神经网络使用不同激活函数的表达能力是否一致](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41841299)\n* [论文笔记之数据增广：mixup](https:\u002F\u002Fblog.csdn.net\u002Fly244855983\u002Farticle\u002Fdetails\u002F78938667#%E8%AE%A8%E8%AE%BA)\n* [避坑指南：数据科学家新手常犯的13个错误](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F44331706)\t\n* [凭什么相信CNN的结果?--可视化](https:\u002F\u002Fbindog.github.io\u002Fblog\u002F2018\u002F02\u002F10\u002Fmodel-explanation\u002F)\t\t\t\t\n  * [凭什么相信你，我的CNN模型？（篇一：CAM和Grad-CAM)](https:\u002F\u002Fbindog.github.io\u002Fblog\u002F2018\u002F02\u002F10\u002Fmodel-explanation\u002F) && [pytorch-grad-cam](https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-grad-cam) && [Grad-CAM-tensorflow](https:\u002F\u002Fgithub.com\u002Finsikk\u002FGrad-CAM-tensorflow) && [grad-cam.tensorflow](https:\u002F\u002Fgithub.com\u002FAnkush96\u002Fgrad-cam.tensorflow) && [cnn_visualization](https:\u002F\u002Fgithub.com\u002Fjs-fan\u002Fmxnet\u002Ftree\u002Fd2b802e2d2af3dae5b4ac941354602630d2ef1c7\u002Fexample\u002Fcnn_visualization)\n  * [凭什么相信你，我的CNN模型？（篇二：万金油LIME)](http:\u002F\u002Fbindog.github.io\u002Fblog\u002F2018\u002F02\u002F11\u002Fmodel-explanation-2\u002F)\n  * [论文笔记:Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F294ad9ae2e50)\n  * [CV：基于Keras利用训练好的hdf5模型进行目标检测实现输出模型中的表情或性别的gradcam(可视化)](https:\u002F\u002Fblog.csdn.net\u002Fqq_41185868\u002Farticle\u002Fdetails\u002F80323646)\n* [大卷积核还是小卷积核?]() [1](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fd75375dd7ebd), [2](https:\u002F\u002Fblog.csdn.net\u002Fkuangtun9713\u002Farticle\u002Fdetails\u002F79475457)\t\n* [模型可解释性差？你考虑了各种不确定性了吗？](https:\u002F\u002Fbaijiahao.baidu.com\u002Fs?id=1608193373391996908)\n* [炼丹笔记系列]()\n  * [炼丹笔记一：样本不平衡问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56882616)\n  * [炼丹笔记二：数据清洗](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56022212)\n  * [炼丹笔记三：数据增强](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56139575)\n  * [炼丹笔记四：小样本问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56365469)\n  * [炼丹笔记五：数据标注](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56443169)\n  * [炼丹笔记六 : 调参技巧](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56745640)\n  * [炼丹笔记七：卷积神经网络模型设计](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57738934)\n\n### 刷排行榜的小技巧\n\n* [Kaggle 六大比赛最全面解析（上）](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201803\u002FXBjvQriKTyTMPLcz.html)\n\n* [Kaggle 六大比赛最全面解析（下）](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201803\u002Fchz1DNHqgVWNEm5t.html)\n\n#### 图像分类\n\n* [炼丹笔记三：数据增强](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56139575) && [数据增强(Data Augmentation)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41679153)\n* [【技术综述】 深度学习中的数据增强（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38345420) && [【技术综述】深度学习中的数据增强（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38437739)\n* [深度学习数据增广技术一览](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F144921458)\n* [《Bag of Tricks for Image Classification with CNN》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F53324148)&& [pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1812.01187.pdf)\n* [深度神经网络模型训练中的最新tricks总结【原理与代码汇总】](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F66080948) && [神经网络训练trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59918821)\n* [Kaggle解决方案分享]()\n  * [从0上手Kaggle图像分类挑战：冠军解决方案详解](https:\u002F\u002Fwww.itcodemonkey.com\u002Farticle\u002F4898.html)\n  * [Kaggle 冰山图像分类大赛近日落幕，看冠军团队方案有何亮点](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201803\u002Fu40cjEZWArBfFaBm.html)\n  * [【Kaggle冠军分享】图像识别和分类竞赛，数据增强及优化算法](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F_S8EBBJ-u9g_fHp7I3ChMQ?)\n  * [识别座头鲸，Kaggle竞赛第一名解决方案解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58496385)\n  * [kaggle 首战拿金牌总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60953933)\n  * [16岁高中生夺冠Kaggle地标检索挑战赛！而且竟然是Kaggle老兵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37522227)\n  * [6次Kaggle计算机视觉类比赛赛后感](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37663895)\n  * [Kaggle首战斩获第三-卫星图像识别](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63275166)\n\n#### 目标检测\n\n* ensemble\n* deformable\n* sync bn\n* ms train\u002Ftest\n* [目标检测任务的优化策略tricks](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56792817)\n* [目标检测小tricks--样本不均衡处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60612064)\n* [汇总|目标检测中的数据增强、backbone、head、neck、损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F137769687)\n* [目标检测算法中的常见trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F39262769)\n* [Bag of Freebies —— 提升目标检测模型性能的免费tricks](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F141878389)\n* [目标检测比赛中的tricks（已更新更多代码解析）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F102817180)\n* [Kaggle：肺癌自动诊断系统3D Deep Leaky Noisy-or Network 论文阅读](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F50158f8daf0d)\n* [干货|大神教你如何参加kaggle比赛——根据CT扫描图预测肺癌](https:\u002F\u002Fyq.aliyun.com\u002Farticles\u002F89312)\n\n## 五. 年度总结\n* [新年大礼包：机器之心2018高分教程合集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F53717510)   \n* [收藏、退出一气呵成，2019年机器之心干货教程都在这里了](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104022144)\n\n## 六. 科研相关\n\n### 深度学习框架\n\n#### Python3.x(先修)\t\t\n\n* [The Python Tutorial](https:\u002F\u002Fdocs.python.org\u002F3\u002Ftutorial\u002F)\n* [廖雪峰Python教程](https:\u002F\u002Fwww.liaoxuefeng.com\u002Fwiki\u002F0014316089557264a6b348958f449949df42a6d3a2e542c000)\n* [菜鸟教程](http:\u002F\u002Fwww.runoob.com\u002Fpython3\u002Fpython3-tutorial.html)     \n* [给深度学习入门者的Python快速教程 - 基础篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24162430)\n* [Python - 100天从新手到大师](https:\u002F\u002Fgithub.com\u002Fjackfrued\u002FPython-100-Days)\n* [Python中读取,显示,保存图片的方法](https:\u002F\u002Fblog.csdn.net\u002Fu010472607\u002Farticle\u002Fdetails\u002F78855816) && [Python的图像打开保存显示的几种方式](https:\u002F\u002Fblog.csdn.net\u002Fweixin_37619439\u002Farticle\u002Fdetails\u002F86559239)\n\n#### Numpy(先修)\n\n* [Quickstart tutorial](https:\u002F\u002Fwww.numpy.org\u002Fdevdocs\u002Fuser\u002Fquickstart.html)\n\n* [Numpy快速入门(Numpy 1.14 官方文档中文翻译)](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F3e566f09a0cf)\n* [Numpy中文文档](https:\u002F\u002Fwww.numpy.org.cn\u002Findex.html)\n* [给深度学习入门者的Python快速教程 - numpy和Matplotlib篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24309547)\n\n#### Opencv-python\n\n* [OpenCV-Python Tutorials](https:\u002F\u002Fopencv-python-tutroals.readthedocs.io\u002Fen\u002Flatest\u002Fpy_tutorials\u002Fpy_tutorials.html)\n* [OpenCV官方教程中文版（For Python）](https:\u002F\u002Fwww.cnblogs.com\u002FUndo-self-blog\u002Fp\u002F8423851.html)\n* [数字图像处理系列](https:\u002F\u002Fblog.csdn.net\u002Ffeilong_csdn\u002Farticle\u002Fcategory\u002F8037591)\n* [python+OpenCV图像处理](https:\u002F\u002Fblog.csdn.net\u002Fqq_40962368\u002Farticle\u002Fcategory\u002F7688903)\n* [给深度学习入门者的Python快速教程 - 番外篇之Python-OpenCV](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24425116)\n\n#### Pandas\n\n* [Python 数据科学入门教程：Pandas](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fd9774cf1fea5?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation)\n\n#### Tensorflow\t\t\n\n* [如何高效地学习 TensorFlow 代码](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41667903)\n* [中文教程](http:\u002F\u002Fwww.tensorfly.cn\u002Ftfdoc\u002Ftutorials\u002Foverview.html)\n* [TensorFlow官方文档](https:\u002F\u002Fwww.w3cschool.cn\u002Ftensorflow_python\u002F)\n* [CS20:Tensorflow for DeepLearning Research](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs20si\u002Fsyllabus.html)\n* [吴恩达TensorFlow专项课程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62981537)\n* [【干货】史上最全的Tensorflow学习资源汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35515805?group_id=967136289941897216)\n* [《21个项目玩转深度学习———基于TensorFlow的实践详解》](https:\u002F\u002Fgithub.com\u002Fhzy46\u002FDeep-Learning-21-Examples)  \n* [最全Tensorflow2.0 入门教程持续更新](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59507137)\n* [Github优秀开源教程](https:\u002F\u002Fgithub.com\u002Fsearch?o=desc&q=tensorflow+tutorial&s=&type=Repositories)\n\n#### MXNet\t\t\n* [Gluon](http:\u002F\u002Fzh.gluon.ai\u002F#)\n* [GluonCV](https:\u002F\u002Fgluon-cv.mxnet.io\u002Findex.html#)\n* [GluonNLP](http:\u002F\u002Fgluon-nlp.mxnet.io\u002F)\n\n#### PyTorch\n\n* [Pytorch版动手学深度学习](https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch)\n* [PyTorch中文文档](https:\u002F\u002Fpytorch-cn.readthedocs.io\u002Fzh\u002Flatest\u002F)\n* [WELCOME TO PYTORCH TUTORIALS](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Findex.html)\n* [史上最全的PyTorch学习资源汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64895011)\n* [【干货】史上最全的PyTorch学习资源汇总](https:\u002F\u002Fgithub.com\u002FINTERMT\u002FAwesome-PyTorch-Chinese)\n* [Hands-on tour to deep learning with PyTorch](https:\u002F\u002Fmlelarge.github.io\u002Fdataflowr-web\u002Fcea_edf_inria.html)\n* [pytorch学习(五)—图像的加载\u002F读取方式](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fcfca9c4338e7) && [PyTorch—ImageFolder\u002F自定义类 读取图片数据](https:\u002F\u002Fblog.csdn.net\u002Fwsp_1138886114\u002Farticle\u002Fdetails\u002F83620869)\n\n### 深度学习常用命令\n\n* [command_for_deeplearning](https:\u002F\u002Fgithub.com\u002FStephenfang51\u002Fcommand_for_deeplearning\u002Fblob\u002Fmaster\u002Fcommand%20for%20deeplearning.md)\n\n### Python可视化\n\n* [Top 50 matplotlib Visualizations – The Master Plots (with full python code)](https:\u002F\u002Fwww.machinelearningplus.com\u002Fplots\u002Ftop-50-matplotlib-visualizations-the-master-plots-python\u002F)\n* [Python之MatPlotLib使用教程](https:\u002F\u002Fblog.csdn.net\u002Fzhw864680355\u002Farticle\u002Fdetails\u002F102500263)\n* [十分钟上手matplotlib，开启你的python可视化](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FUfvEdzr-ZGmyT08yKDOchA)\n* [给深度学习入门者的Python快速教程 - numpy和Matplotlib篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24309547)\n\n### 标注工具\n* 目标检测标注工具\n\t* [labelImg](https:\u002F\u002Fgithub.com\u002Ftzutalin\u002FlabelImg)\n* 语义分割标注工具\n\t* [labelme](https:\u002F\u002Fgithub.com\u002Fwkentaro\u002Flabelme)\n\n### 数据集  \t\t\n* [1. 25个深度学习相关公开数据集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35449783)\n* [2. 自然语言处理（NLP）数据集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35423943)\n* [3.全唐诗(43030首)](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1o7QlUhO)\n* [4. 伯克利大学公开数据集](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~taesung_park\u002F)\n* [5. ACL 2018资源：100+ 预训练的中文词向量](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36835964)\n* [6. 预训练中文词向量](https:\u002F\u002Fgithub.com\u002FEmbedding\u002FChinese-Word-Vectors)\n* [7. 公开数据集种子库](http:\u002F\u002Facademictorrents.com)\n* [8. 计算机视觉，深度学习，数据挖掘数据集整理](https:\u002F\u002Fblog.csdn.net\u002Fc20081052\u002Farticle\u002Fdetails\u002F79814082)\n* [9. 计算机视觉著名数据集CV Datasets](https:\u002F\u002Fblog.csdn.net\u002Faccepthjp\u002Farticle\u002Fdetails\u002F51831026)\n* [10. 计算机视觉相关数据集和比赛](https:\u002F\u002Fblog.csdn.net\u002FNNNNNNNNNNNNY\u002Farticle\u002Fdetails\u002F68485160)\n* [11. 这是一份非常全面的开源数据集，你，真的不想要吗？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F43846002)\n* [12. 人群密度估计现有主要数据集特点及其比较](https:\u002F\u002Fblog.csdn.net\u002Fweixin_40516558\u002Farticle\u002Fdetails\u002F81564464)\n* [13. DANBOORU2017: A LARGE-SCALE CROWDSOURCED AND TAGGED ANIME ILLUSTRATION DATASET](https:\u002F\u002Fwww.gwern.net\u002FDanbooru2017)\n* [14. 行人重识别数据集](http:\u002F\u002Frobustsystems.coe.neu.edu\u002Fsites\u002Frobustsystems.coe.neu.edu\u002Ffiles\u002Fsystems\u002Fprojectpages\u002Freiddataset.html)\n* [15. 自然语言处理常见数据集、论文最全整理分享](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56144877)\n* [16. paper, code, sota](https:\u002F\u002Fpaperswithcode.com\u002F)\n* [17. 旷视RPC大型商品数据集发布！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F55627416)\n* [18. CVPR 2019「准满分」论文：英伟达推出首个跨摄像头汽车跟踪数据集(汽车Re-ID)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60617001)\n* [19.【OCR技术】大批量生成文字训练集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59052013)\n* [20. 语义分析数据集-MSRA](https:\u002F\u002Fgithub.com\u002Fmsra-nlc\u002FMSParS)\n* [IEEE DataPort](https:\u002F\u002Fieee-dataport.org\u002F)\n* [数据集市](http:\u002F\u002Fwww.shujujishi.com\u002F)\n* [医疗\u002F医学图像数据集]()：[Medical Data for Machine Learning](https:\u002F\u002Fgithub.com\u002Fbeamandrew\u002Fmedical-data) && [医疗领域图像挑战赛数据集](https:\u002F\u002Fgrand-challenge.org\u002Fchallenges\u002F) && [【医学影像系列：一】数据集合集 最新最全](https:\u002F\u002Fblog.csdn.net\u002Fqq_31622015\u002Farticle\u002Fdetails\u002F90573874) && [medical-imaging-datasets](https:\u002F\u002Fgithub.com\u002Fsfikas\u002Fmedical-imaging-datasets) && [【数据集】一文道尽医学图像数据集与竞赛](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F50615907) && [医学图像数据集汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F102855802)\n\n### 记笔记工具\n\n* [Markdown编辑器：Typora介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67153848) \n* [Markdown语法介绍（常用）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47897214)\n* [Markdown 语法手册 （完整整理版）](https:\u002F\u002Fblog.csdn.net\u002Fwitnessai1\u002Farticle\u002Fdetails\u002F52551362)\n* [Markdown中Latex 数学公式基本语法](https:\u002F\u002Fblog.csdn.net\u002Fu014630987\u002Farticle\u002Fdetails\u002F70156489)\n\n### 会议期刊列表\n\n* [国际会议日期表](https:\u002F\u002Fgithub.com\u002FJackieTseng\u002Fconference_call_for_paper)\n* [ai-deadlines](https:\u002F\u002Fgithub.com\u002Fabhshkdz\u002Fai-deadlines\u002F)\n* [Keep Up With New Trends](https:\u002F\u002Fhandong1587.github.io\u002Fdeep_learning\u002F2017\u002F12\u002F18\u002Fkeep-up-with-new-trends.html)\n* [计算机会议排名等级](https:\u002F\u002Fblog.csdn.net\u002Fcserchen\u002Farticle\u002Fdetails\u002F40508181)\n* [中国计算机学会(CCF)推荐国际学术刊物和会议](https:\u002F\u002Fwww.ccf.org.cn\u002FAcademic_Evaluation\u002FBy_category\u002F)\n\n### 论文写作工具\n* [Windows: Texlive+Texstudio](https:\u002F\u002Fjingyan.baidu.com\u002Farticle\u002Fb2c186c83c9b40c46ff6ff4f.html)\n* [Ubuntu: Texlive+Texmaker](https:\u002F\u002Fjingyan.baidu.com\u002Farticle\u002F7c6fb4280b024180642c90e4.html)\n* [Latex：基本用法、表格、公式、算法](https:\u002F\u002Fblog.csdn.net\u002Fquiet_girl\u002Farticle\u002Fdetails\u002F72847208)\n* [LaTeX 各种命令，符号](https:\u002F\u002Fblog.csdn.net\u002Fgarfielder007\u002Farticle\u002Fdetails\u002F51646604)\n\n### 论文画图工具\n* [Visio2016](https:\u002F\u002Fmsdn.itellyou.cn\u002F)\n* [Matplotlib](#Python可视化)\n\n### 论文写作教程\n* [刘知远_如何写一篇合格的NLP论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58752815)\n* [刘洋_如何写论文_V7](http:\u002F\u002Fnlp.csai.tsinghua.edu.cn\u002F~ly\u002Ftalks\u002Fcwmt14_tut.pdf)\n* [如何端到端地写科研论文-邱锡鹏](https:\u002F\u002Fxpqiu.github.io\u002Fslides\u002F20181019-PaperWriting.pdf)\n* [论文Introduction写作其一](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33876355), [论文Introduction写作其二](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52494933), [论文Introduction写作其三](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52494879)\n* [毕业论文怎么写](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_179195484)\n* [浅谈学术论文rebuttal](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104298923) && [学术论文投稿与返修（Rebuttal）分享](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F344008879)\n* [研之成理写作实验室](https:\u002F\u002Fzhuanlan.zhihu.com\u002Frationalscience-writing-lab)\n* [智源论坛·论文写作专题报告会]()：[《论文写作小白的成长之路》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F135989892) && [《谈如何写一篇合格的国际学术论文》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F136005095) && [《计算机视觉会议论文从投稿到接收》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F139571199)\n\n### ResearchGos\n\n* [ResearchGo:研究生活第一帖——文献检索与管理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22323250?refer=wjdml)\n* [ResearchGo:研究生活第二贴——文献阅读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22402393?refer=wjdml)\n* [ResearchGo:研究生活第三帖——阅读辅助](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22622502?refer=wjdml)\n* [ResearchGo:研究生活第四帖——文献调研](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23178836?refer=wjdml)\n* [ResearchGo:研究生活第五帖——文献综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23356843?refer=wjdml)\n* [ResearchGo:研究生活第六帖——如何讲论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23872063?refer=wjdml)\n* [ResearchGo:研究生活第七帖——专利检索与申请](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25191025)\n* [ResearchGo:研究生活第八帖——写论文、做PPT、写文档必备工具集锦](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62100815)\n\n### 毕业论文排版\n\n* [吐血推荐收藏的学位论文排版教程（完整版）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52495345)\n* [论文怎么写——如何修改毕业论文格式](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35951260)\n\n_____\n\n______\n\n## 信号处理\n\n### 傅里叶变换\n\n* [傅里叶分析之掐死教程（完整版）更新于2014.06.06](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F19763358)\n* [如何简明的总结傅里叶变换？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F34899574\u002Fanswer\u002F612923473)\n* [从连续时间傅里叶级数到快速傅里叶变换](https:\u002F\u002Fblog.csdn.net\u002Fclover13\u002Farticle\u002Fdetails\u002F79469851)\n* [十分简明易懂的FFT（快速傅里叶变换）](https:\u002F\u002Fblog.csdn.net\u002Fenjoy_pascal\u002Farticle\u002Fdetails\u002F81478582)\n* [傅里叶级数推导过程](https:\u002F\u002Fblog.csdn.net\u002Fhanxiaohu88\u002Farticle\u002Fdetails\u002F8245687)\n\n### 小波变换\n\n* [形象易懂讲解算法I——小波变换](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22450818)\n\n* [小波变换完美通俗讲解系列之 （一）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F44215123) && [小波变换完美通俗讲解系列之 （二）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F44217268)\n\n#### 实战\n* [MWCNN中使用的haar小波变换 pytorch](https:\u002F\u002Fwww.cnblogs.com\u002Fwanghui-garcia\u002Fp\u002F12524515.html)\n* [【小波变换】小波变换入门----haar小波](https:\u002F\u002Fblog.csdn.net\u002Fbaidu_27643275\u002Farticle\u002Fdetails\u002F84826773)\n* [（3）小波变换原理及应用](https:\u002F\u002Fblog.csdn.net\u002Fhhaowang\u002Farticle\u002Fdetails\u002F82909332)\n* [图像处理-小波变换](https:\u002F\u002Fblog.csdn.net\u002Fqq_30815237\u002Farticle\u002Fdetails\u002F89704855)\n\n## 机器学习理论与实战\n\n* [机器学习原理](https:\u002F\u002Fgithub.com\u002Fshunliz\u002FMachine-Learning):star:\n* [ID3、C4.5、CART、随机森林、bagging、boosting、Adaboost、GBDT、xgboost算法总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34534004)\n* [数据挖掘十大算法简要说明](http:\u002F\u002Fwww.cnblogs.com\u002Fen-heng\u002Fp\u002F5013995.html)，[机器学习十大经典算法入门](https:\u002F\u002Fblog.csdn.net\u002Fqq_42379006\u002Farticle\u002Fdetails\u002F80741808) && [【算法模型】轻松看懂机器学习十大常用算法](https:\u002F\u002Fwww.cnblogs.com\u002Fljt1412451704\u002Fp\u002F9678248.html)\n* [AdaBoost到GBDT系列]()\n  * [当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25096501?refer=data-miner)\n  * [当我们在谈论GBDT：Gradient Boosting 用于分类与回归](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25257856?refer=data-miner)\n  * [当我们在谈论GBDT：其他 Ensemble Learning 算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25443980)\n\n### 机器学习理论篇之经典算法\n\n#### 信息论\n* [1. 机器学习中的各种熵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35423404)    \n* [2. 从香农熵到手推KL散度：纵览机器学习中的信息论](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32985487)\n\n#### 多层感知机(MLP)\n* [多层感知机（MLP）学习与总结博客](https:\u002F\u002Fblog.csdn.net\u002Fbaidu_33718858\u002Farticle\u002Fdetails\u002F84972537)\n* [多层感知机：Multi-Layer Perceptron](https:\u002F\u002Fblog.csdn.net\u002Fxholes\u002Farticle\u002Fdetails\u002F78461164)\n* [神经网络基础-多层感知器(MLP)](https:\u002F\u002Fblog.csdn.net\u002Fweixin_38206214\u002Farticle\u002Fdetails\u002F81137911)\n\n#### k近邻(KNN)\n\n* [机器学习之KNN（k近邻）算法详解](https:\u002F\u002Fblog.csdn.net\u002Fsinat_30353259\u002Farticle\u002Fdetails\u002F80901746)\n\n#### k均值(K-means)\n\n* [Kmeans聚类算法详解](https:\u002F\u002Fblog.csdn.net\u002Fqq_32892383\u002Farticle\u002Fdetails\u002F80107795)\n\n#### 朴素贝叶斯(Naive Bayesian)\n\n* [一个例子搞清楚（先验分布\u002F后验分布\u002F似然估计）](https:\u002F\u002Fblog.csdn.net\u002Fqq_23947237\u002Farticle\u002Fdetails\u002F78265026)\n* [朴素贝叶斯分类器（Naive Bayesian Classifier）](https:\u002F\u002Fblog.csdn.net\u002Fqq_32690999\u002Farticle\u002Fdetails\u002F78737393)\n* [朴素贝叶斯分类器 详细解析](https:\u002F\u002Fblog.csdn.net\u002Fqq_17073497\u002Farticle\u002Fdetails\u002F81076250)\n\n#### 决策树(Decision Tree)\n* [最常见核心的决策树算法详细介绍，含ID3、C4.5、CART:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FlXaPZyNrgG9LBv-JHdGm9A) && [最常用的决策树算法！Random Forest、Adaboost、GBDT 算法:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNl_-PdF0nHBq8yGp6AdI-Q) && [终于有人把XGBoost 和 LightGBM 讲明白了，项目中最主流的集成算法！:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FLoX987dypDg8jbeTJMpEPQ)\n* [为什么xgboost要用泰勒展开，优势在哪里](http:\u002F\u002Fblog.itblood.com\u002F4082.html)\n* [Python3《机器学习实战》学习笔记（二）：决策树基础篇之让我们从相亲说起](https:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F75663451)\n* [Python3《机器学习实战》学习笔记（三）：决策树实战篇之为自己配个隐形眼镜](https:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F76262487)\n* [机器学习实战教程（十三）：树回归基础篇之CART算法与树剪枝](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F12\u002Fml_13_regtree_1.html)\n* [《机器学习实战》基于信息论的三种决策树算法(ID3,C4.5,CART)](https:\u002F\u002Fblog.csdn.net\u002Fgamer_gyt\u002Farticle\u002Fdetails\u002F51242815)\n* [说说决策树剪枝算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31404571)\n* [机器学习实战 第九章 树回归](https:\u002F\u002Fblog.csdn.net\u002Fnamelessml\u002Farticle\u002Fdetails\u002F52595066)\n* [决策树值ID3、C4.5实现](https:\u002F\u002Fblog.csdn.net\u002Fu014688145\u002Farticle\u002Fdetails\u002F53212112)\n* [决策树之CART实现](https:\u002F\u002Fblog.csdn.net\u002Fu014688145\u002Farticle\u002Fdetails\u002F53326910)\n\n#### 随机森林(Random Forest)\n* [随机森林和GBDT的区别](https:\u002F\u002Fblog.csdn.net\u002Flogin_sonata\u002Farticle\u002Fdetails\u002F73929426)\n* [随机森林（Random Forest）入门与实战](https:\u002F\u002Fblog.csdn.net\u002Fsb19931201\u002Farticle\u002Fdetails\u002F52601058)\n* [随机森林之特征选择](https:\u002F\u002Fwww.cnblogs.com\u002Fjustcxtoworld\u002Fp\u002F3447231.html)\n\n#### 线性回归（Linear Regression）\n\n* [线性回归最小二乘法和最大似然估计](https:\u002F\u002Fblog.csdn.net\u002Flt793843439\u002Farticle\u002Fdetails\u002F91392646)\n* [【从入门到放弃】线性回归](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F147297924)\n* [线性回归(频率学派-最大似然估计)与岭回归(贝叶斯角度-最大后验估计)的概率解释](https:\u002F\u002Fblog.csdn.net\u002Fz_feng12489\u002Farticle\u002Fdetails\u002F101388745)\n* [机器学习笔记四：线性回归回顾与logistic回归](https:\u002F\u002Fblog.csdn.net\u002Fxierhacker\u002Farticle\u002Fdetails\u002F53316138)\n\n#### 逻辑回归(Logistic Regression)\n\n* [【机器学习面试总结】—— LR（逻辑回归）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100763009)\n* [【机器学习面试题】逻辑回归篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62653034)\n* [极大似然概率和最小损失函数，以及正则化简介](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F9d2686cd407e)\n* [GLM(广义线性模型) 与 LR(逻辑回归) 详解](https:\u002F\u002Fblog.csdn.net\u002FCdd2xd\u002Farticle\u002Fdetails\u002F75635688)\n\n#### 支持向量机(SVM) \n* [【机器学习面试总结】—— SVM](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F93715996)\n* [SVM系列-从基础到掌握](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61123737)\n* [SVM通俗导论 July](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%E9%80%9A%E4%BF%97%E5%AF%BC%E8%AE%BA%EF%BC%88%E7%90%86%E8%A7%A3SVM%E7%9A%84%E4%B8%89%E5%B1%82%E5%A2%83%E7%95%8C%EF%BC%89LaTeX%E6%9C%80%E6%96%B0%E7%89%88_2015.1.9.pdf) \n* [核函数 ](): [机器学习有很多关于核函数的说法，核函数的定义和作用是什么？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F24627666) && [SVM中，高斯核为什么会把原始维度映射到无穷多维？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F35602879) && [svm核函数的理解和选择](https:\u002F\u002Fblog.csdn.net\u002Fleonis_v\u002Farticle\u002Fdetails\u002F50688766) && [核函数和径向基核函数 (Radial Basis Function)--RBF](https:\u002F\u002Fblog.csdn.net\u002Fhuang1024rui\u002Farticle\u002Fdetails\u002F51510611) && [SVM核函数](https:\u002F\u002Fblog.csdn.net\u002Fxiaowei_cqu\u002Farticle\u002Fdetails\u002F35993729)\n\n#### 提升方法(Adaboost)\n\n* [当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25096501)\n\n#### 梯度提升决策树(GBDT)\n* [LightGBM大战XGBoost](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35645973)\n* [概述XGBoost、Light GBM和CatBoost的同与不同](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34698733)    && [XGBoost、LightGBM、Catboost总结](https:\u002F\u002Fwww.cnblogs.com\u002Flvdongjie\u002Fp\u002F11391245.html) && [XGBoost、Light GBM和CatBoost的参数及性能比较](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34698733)\n* [梯度提升决策树](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36339161)\n* [GBDT原理及应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30339807)\n* [XGBOOST原理篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31654000)\n* [xgboost入门与实战（原理篇）](https:\u002F\u002Fblog.csdn.net\u002Fsb19931201\u002Farticle\u002Fdetails\u002F52557382) && [xgboost入门与实战（实战调参篇）](https:\u002F\u002Fblog.csdn.net\u002Fsb19931201\u002Farticle\u002Fdetails\u002F52577592)\n* [【干货合集】通俗理解kaggle比赛大杀器xgboost](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41417638)\n* [GBDT分类的原理及Python实现](https:\u002F\u002Fblog.csdn.net\u002Fbf02jgtrs00xktcx\u002Farticle\u002Fdetails\u002F82719765)\n* [GBDT原理及利用GBDT构造新的特征-Python实现](https:\u002F\u002Fblog.csdn.net\u002Fshine19930820\u002Farticle\u002Fdetails\u002F71713680)\n* [Python+GBDT算法实战——预测实现100%准确率](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F47e73a985ba1)\n* [xgboost之近似分位数算法（直方图算法）详解](https:\u002F\u002Fblog.csdn.net\u002Fm0_37870649\u002Farticle\u002Fdetails\u002F104561431)\n\n#### EM(期望最大化)\t\t\t\n* [人人都懂的EM算法 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36331115)\n* [EM算法入门文章](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61768577)                      \n\n#### 高斯混合模型(GMM)\n* [高斯混合模型与EM算法的数学原理及应用实例](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67107370)\n* [高斯混合模型（GMM）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30483076)\n\n#### 马尔科夫决策过程(MDP)\t\t\n* [马尔科夫决策过程之Markov Processes（马尔科夫过程）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35124726)\n* [马尔科夫决策过程之Markov Reward Process（马尔科夫奖励过程）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35231424)\n* [马尔科夫决策过程之Bellman Equation（贝尔曼方程）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35261164)\n* [马尔科夫决策过程之Markov Decision Process(马尔科夫决策过程)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35354956)\n* [马尔科夫决策过程之最优价值函数与最优策略](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35373905)\n\n#### 条件随机场(CRF, 判别式模型)\n* [如何轻松愉快地理解条件随机场](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104562658)\n* [如何用简单易懂的例子解释条件随机场（CRF）模型？它和HMM有什么区别？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F35866596)\n* [HMM ,MHMM,CRF 优缺点与区别](https:\u002F\u002Fblog.csdn.net\u002Fu013378306\u002Farticle\u002Fdetails\u002F55213029)\n\n#### 降维算法\n* [数据降维算法-从PCA到LargeVis](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62470700)\n* [12种降维方法终极指南（含Python代码）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F43225794)\n\n#### 主成分分析(PCA)\n* [主成分分析（PCA）原理详解](https:\u002F\u002Fblog.csdn.net\u002Fprogram_developer\u002Farticle\u002Fdetails\u002F80632779)\n* [图文并茂的PCA教程](https:\u002F\u002Fblog.csdn.net\u002Fhustqb\u002Farticle\u002Fdetails\u002F78394058)\n* [PCA数学原理](http:\u002F\u002Fwww.360doc.com\u002Fcontent\u002F13\u002F1124\u002F02\u002F9482_331688889.shtml)\n\n#### 奇异值分解(SVD)\n* [强大的矩阵奇异值分解(SVD)及其应用](https:\u002F\u002Fwww.cnblogs.com\u002FLeftNotEasy\u002Farchive\u002F2011\u002F01\u002F19\u002Fsvd-and-applications.html)\n* [奇异值分解（SVD）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29846048)\n* [奇异值分解(SVD)原理详解及推导](https:\u002F\u002Fblog.csdn.net\u002Fzhongkejingwang\u002Farticle\u002Fdetails\u002F43053513)    \n* [SVD在推荐系统中的应用详解以及算法推导](https:\u002F\u002Fblog.csdn.net\u002Fzhongkejingwang\u002Farticle\u002Fdetails\u002F43083603)\n\n#### 线性判别分析(LDA)\n* [教科书上的LDA为什么长这个样子？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F42238953)\n\n#### 标签传播算法(Label Propagation Algorithm)    \n* [标签传播算法（Label Propagation）及Python实现](https:\u002F\u002Fblog.csdn.net\u002Fzouxy09\u002Farticle\u002Fdetails\u002F49105265)\n    * [参考资料](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FSemi-Supervised%20Learning%20with%20Graphs.pdf)\n\n#### 蒙塔卡罗树搜索(MCTS)\n* [蒙特卡洛树搜索入门指南](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34950988)\n\n#### 集成(Ensemble)\n\n* [集成学习之bagging,stacking,boosting概念理解](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41809927) && [Bagging和Boosting的总结](https:\u002F\u002Fwww.zhihu.com\u002Ffollow)\n\n* [集成学习法之bagging方法和boosting方法](https:\u002F\u002Fblog.csdn.net\u002Fqq_30189255\u002Farticle\u002Fdetails\u002F51532442)\n* [Bagging,Boosting,Stacking](https:\u002F\u002Fblog.csdn.net\u002FMr_tyting\u002Farticle\u002Fdetails\u002F72957853) && [常用的模型集成方法介绍：bagging、boosting 、stacking](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65888174)\n\n#### t分布随机邻居嵌入(TSNE)\n* [流形学习-高维数据的降维与可视化](https:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45920827)\n* [tSNE](https:\u002F\u002Fblog.csdn.net\u002Fflyingzhan\u002Farticle\u002Fdetails\u002F79521765)\n* [使用t-SNE可视化图像embedding](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F81400277)\n\n#### 谱聚类(Spectral Clustering)\n* [谱聚类（Spectral Clustering）算法介绍](https:\u002F\u002Fblog.csdn.net\u002Fqq_24519677\u002Farticle\u002Fdetails\u002F82291867)\n* [聚类5--谱和谱聚类](https:\u002F\u002Fblog.csdn.net\u002Fxueyingxue001\u002Farticle\u002Fdetails\u002F51966980)\n\n#### 异常点检测\n* [数据挖掘中常见的「异常检测」算法有哪些？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F280696035\u002Fanswer\u002F417091151)\n* [异常点检测算法综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30169110)\n* [异常检测的N种方法，其中有一个你一定想不到](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FRYLlUJiYbWqGIhzflbRGEg)\n* [异常检测资源汇总：anomaly-detection-resources](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F158349346)\n\n### 机器学习实战篇\n* [机器学习中，有哪些特征选择的工程方法？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F28641663) && [机器学习（四）：数据预处理--特征工程概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F103070096) && [特征工程完全手册 - 从预处理、构造、选择、降维、不平衡处理，到放弃](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F94994902) && [特征工程中的「归一化」有什么作用](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F20455227)\n* [15分钟带你入门sklearn与机器学习——分类算法篇](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=Mzg5NzAxMDgwNg==&mid=2247484110&idx=1&sn=b016e270d7b7707e6ad41a81ca45fc28&chksm=c0791fd7f70e96c103a8a2aebee166ce14f5648b3b889dd85dd9786f48b6b8269f11e5e27e1c&scene=21#wechat_redirect) && [如何为你的回归问题选择最合适的机器学习方法？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62034592)\n* [十分钟上手sklearn：安装，获取数据，数据预处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F105039597) && [十分钟上手sklearn：特征提取，常用模型，交叉验证](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F105041301)\n* [MachineLearning_Python](https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python)\n* [Machine Learning Course with Python](https:\u002F\u002Fgithub.com\u002Fmachinelearningmindset\u002Fmachine-learning-course)\n* [Statistical-Learning-Method_Code](https:\u002F\u002Fgithub.com\u002FDod-o\u002FStatistical-Learning-Method_Code)\n* [Python3机器学习](https:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Fcolumn\u002Finfo\u002F16415)\n* [含大牛总结的分类模型一般需要调节的参数](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F9d2452fc93c2)\n\n\n## 机器学习、深度学习的一些研究方向\n\n### 多任务学习(Multi-Task Learning)\n* [模型汇总-14 多任务学习-Multitask Learning概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27421983)\n* [(译)深度神经网络的多任务学习概览(An Overview of Multi-task Learning in Deep Neural Networks)](http:\u002F\u002Fwww.cnblogs.com\u002Fshuzirank\u002Fp\u002F7141017.html)\n* [Multi-task Learning and Beyond: 过去，现在与未来](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138597214)；\n\n### 零次学习(Zero Shot Learning)\n* [零次学习（Zero-Shot Learning）入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34656727)\n\n### 小样本学习(Few-Shot Learning)\n\n* [few-shot learning是什么](https:\u002F\u002Fblog.csdn.net\u002Fxhw205\u002Farticle\u002Fdetails\u002F79491649)\n* [零次学习（Zero-Shot Learning）入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34656727)\n* [小样本学习（Few-shot Learning）综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61215293)\n* [Few-Shot Learning in CVPR 2019](https:\u002F\u002Ftowardsdatascience.com\u002Ffew-shot-learning-in-cvpr19-6c6892fc8c5)\n* [当小样本遇上机器学习 fewshot learning](https:\u002F\u002Fblog.csdn.net\u002Fmao_feng\u002Farticle\u002Fdetails\u002F78939864)\n\n### 多视觉学习(Multi-View Learning)\n* [Multi-view Learning 多视角学习入门](https:\u002F\u002Fblog.csdn.net\u002Fdanliwoo\u002Farticle\u002Fdetails\u002F79278574)\n* [多视角学习 (Multi-View Learning)](https:\u002F\u002Fblog.csdn.net\u002Fshine19930820\u002Farticle\u002Fdetails\u002F77426599)\n\n### 嵌入(Embedding)\n\n* [万物皆Embedding，从经典的word2vec到深度学习基本操作item2vec](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F53194407)\n* [YJango的Word Embedding--介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27830489)\n\n### 迁移学习(Transfer Learning)\t\t\n* [1. 迁移学习：经典算法解析](https:\u002F\u002Fblog.csdn.net\u002Flinolzhang\u002Farticle\u002Fdetails\u002F73358219)\n* [2. 什么是迁移学习 (Transfer Learning)？这个领域历史发展前景如何？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41979241)\n* [3. 迁移学习个人笔记](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fnotes\u002F日常阅读笔记\u002F2018_4_12_迁移学习.pdf)  \n* [迁移学习总结(One Shot Learning, Zero Shot Learning)](https:\u002F\u002Fblog.csdn.net\u002FXJTU_NOC_Wei\u002Farticle\u002Fdetails\u002F77850221)\n\n### 域自适应(Domain Adaptation)\n\n* [Domain Adaptation视频教程（附PPT）及经典论文分享](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27519182)\n* [模型汇总15 领域适应性Domain Adaptation、One-shot\u002Fzero-shot Learning概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27449079)\n* [【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F54426101)\n* [【论文阅读笔记】基于反向传播的无监督域自适应研究](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37298073)\n* [【Valse大会首发】领域自适应及其在人脸识别中的应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F21441807)\n* [CVPR 2018：基于域适应弱监督学习的目标检测](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41126114)\n\n### 元学习(Meta Learning)\t\t\n\n* [OpenAI提出新型元学习方法EPG，调整损失函数实现新任务上的快速训练](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35869158?group_id=970310501209645056)      \n\n### 强化学习(Reinforcement Learning)\t\n\n* [强化学习（Reinforcement Learning）知识整理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25498081)\n* [强化学习从入门到放弃的资料](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34918639)\n* [强化学习入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25498081)\n    * [强化学习入门 第一讲 MDP](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25498081)\n* [强化学习——从Q-Learning到DQN到底发生了什么？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35882937)\n* [从强化学习到深度强化学习（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35688924)                  \n* [从强化学习到深度强化学习（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35965070)\n* [一文带你理解Q-Learning的搜索策略](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37048004)\n\n### 推荐系统(Recommendation System)\n\n#### 论文列表\n\n* [Embedding从入门到专家必读的十篇论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58805184)\n* [Reco-papers](https:\u002F\u002Fgithub.com\u002Fwzhe06\u002FReco-papers)\n* [Ad-papers](https:\u002F\u002Fgithub.com\u002Fwzhe06\u002FAd-papers)\n* [deep-recommender-system](https:\u002F\u002Fgithub.com\u002Fchocoluffy\u002Fdeep-recommender-system)\n* [CTR预估系列入门手册](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F243243145)\n\n#### 教程\n\n* [推荐系统从入门到接着入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27502172)\n* [深度学习推荐系统笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F133528693)\n* [推荐系统干货总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34004488)\n* [入门推荐系统，你不应该错过的知识清单](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54819505)\n* [从零开始了解推荐系统全貌](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F259985388)\n* [推荐系统玩家 之 推荐系统入门——推荐系统的发展历程（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F148207613)\n* [推荐系统技术演进趋势：从召回到排序再到重排](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100019681)\n* [深入理解推荐系统：召回](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F115690499) && [深入理解推荐系统：排序](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138235048)   \n* [召回算法有哪些](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F423384620\u002Fanswer\u002F1687201890)\n* [《深度学习推荐系统》总结系列一](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138446984) && [《深度学习推荐系统》总结系列二](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F140894123)\n* [推荐系统--完整的架构设计和算法(协同过滤、隐语义)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F81752025) && [从0到1打造推荐系统-架构篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F123951784)\n* [协同过滤和基于内容推荐有什么区别？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F19971859)\n* [CTR深度交叉特征入门总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F257895631)\n* [推荐系统学习笔记](https:\u002F\u002Fblog.csdn.net\u002Fwuzhongqiang\u002Fcategory_10128687.html)\n\n#### 实战\n\n* [ AI-RecommenderSystem](https:\u002F\u002Fgithub.com\u002Fzhongqiangwu960812\u002FAI-RecommenderSystem)\n* [team-learning-rs](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-rs)\n* [RecommendSystemPractice](https:\u002F\u002Fgithub.com\u002FMagic-Bubble\u002FRecommendSystemPractice)\n* [Surprise](http:\u002F\u002Fsurpriselib.com\u002F)\n\n\u003Ca name=\"思维导图\">\u003C\u002Fa>\n## 从Python到AI\n\n![K同学啊 -  从Python开始学AI](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_ca7f4d0e35a6.png)\n\n[**脑图在线编辑地址 📝**](https:\u002F\u002Fwww.processon.com\u002Fview\u002Flink\u002F616d2ee45653bb06f69f4543)\n\n\u003Ca name=\"微信\">\u003C\u002Fa>  \u003Ca name=\"公众号\">\u003C\u002Fa>\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_e677b9ccc5a8.png)\n\n\n","🔥🔥🔥 全网爆火的 **《深度学习100例》** 现已对外开放，提供可运行的**代码**和**数据**。正在持续更新中~\n\n每周至少发布两篇原创文章，**后续最新文章** 将在[【公众号】](#公众号)首发，比博客早一到两篇。欢迎添加我的[【微信】](#公众号)进行技术交流或提出建议，也欢迎Star！\n\n[【从Python到AI】](#思维导图)~\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\n\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fo-DaK6aQQLkJ8uE4YX1p3Q?click_id=16\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_5f3ad0209c62.png\" alt=\"365深度学习训练营\">\u003C\u002Fa>\n\n[【👉 训练营介绍】](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fo-DaK6aQQLkJ8uE4YX1p3Q?click_id=16)~\n\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#微信\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FweChat-微信群-green.svg\" alt=\"微信群\">\u003C\u002Fa>\n  \u003Ca href=\"#公众号\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%E5%85%AC%E4%BC%97%E5%8F%B7-K同学啊-lightgrey.svg\" alt=\"公众号\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fni-huan-hao-ma-70-3\u002Fposts\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzhihu-知乎-informational\" alt=\"投稿\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmtyjkh.blog.csdn.net\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcsdn-CSDN-red.svg\" alt=\"投稿\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fjuejin.cn\u002Fuser\u002F2023562123160158\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fjuejin-掘金-purple.svg\" alt=\"公众号\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.heywhale.com\u002Fhome\u002Fuser\u002Fprofile\u002F60c1cdd86ea0f900179616c8\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fheywhale-和鲸-yellow.svg\" alt=\"公众号\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\u003Ca name=\"文章目录\">\u003C\u002Fa>\n\n\n\n\n**书籍系列**\n\n- 🎈 机器学习-周志华 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1gvRjYGYpPx4NE83s5z1T9w) 提取码：hnzu\n- 🎆 统计学习-李航 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F16lCYrprEc4JwPCUfORxQPw) 提取码：lc5e\n- 🧨 神经网络与深度学习-邱锡鹏 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1qqTaTufryySQmjYKn3qp5g) 提取码：m3ls\n- ✨ 深度强化学习 Hung-yi Lee [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nmgqw9k6ZrVE5rsz9nBIEg) 提取码：9b0a\n- 🎉 机器学习实战 中文双页版 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZtHK4MLTsC_dZL98bX1vpw) 提取码：jy7r\n- 🎊 斯坦福大学-深度学习基础教程 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1oDPzzlP9Oqj9J2BKfnPuhw) 提取码：hjz7\n- 🎃 Tensorflow 实战Google深度学习框架[百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pHZy06HlNYQ5lYqKqbYSqw) 提取码：f6wf\n\n**面试笔记系列**\n- 🎄 谷歌和阿里大佬的Leetcode刷题笔记 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ng0CIXc_eiXoBhaiHwZ8xQ) 提取码：9go2 \n- 🎋 Leetcode 1300道算法题解 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1KnbyyyQULHXVAbpoHFg-Zw) 提取码：eg9z\n- 🎍 labuladong 的算法小抄 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1LQjOuxkYWVYS53YWvHhHag) 提取码：v4qf\n- 🎎 程序员面试宝典 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1TKabRrhX78MwJ8kwWhkKqA) 提取码：gm7o\n- 🎏 大厂面试真题 [百度云下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ZXB83ME5fsuG48JVRPIG_Q) 提取码：u9y4\n\n# 目录（善用Ctrl+F）\n## 深度学习 📚\n\n### 目标识别 ✨\n1. [深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FTR13H-gTqlWKTzIhPATsaw) \n2. [深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FmyRuSfF4LgUBmp4FusngtA)\n3. [深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FMO9D79m91HT1QlRVjhFvBg)\n4. [深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fuq_ZVf1s1XzYfJq1hxgbPw)\n5. [深度学习100例-卷积神经网络（CNN）天气识别 | 第5天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNFuOhjmH57IPIxVV_eVlBQ)\n6. [深度学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FKoIn8uPxhr_IwgEitADgag)\n7. [深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FOfWiCHQKH5011b58yllFoA)\n8. [深度学习100例-卷积神经网络（ResNet-50）鸟类识别 | 第8天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Ft9AABypsQDScxAx6AMQUcA)\n9. [深度学习100例-卷积神经网络（AlexNet）手把手教学 | 第11天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FSZeYSbphp8_mxhJ4bRZw2A)\n10. [深度学习100例-卷积神经网络（CNN）识别验证码 | 第12天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FVy2ZSyIZTWlTQHsAySdSpA)\n11. [深度学习100例-卷积神经网络（Inception V3）识别手语 | 第13天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fak0zqVJtknLNu6TWtVgiRA)\n12. [深度学习100例-卷积神经网络（Inception-ResNet-v2）识别交通标志 | 第14天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzUyNDgyNDkyMQ==&mid=2247485213&idx=1&sn=0210f5bc9afd8e4283efdda146b90bcc&chksm=fa263f2bcd51b63d06e71688f7ef6aed4fca9eda37f394efdaf945fd0f94ea38cdf9c01aa584&scene=178&cur_album_id=1902502231082352640#rd)\n13. [深度学习100例-卷积神经网络（CNN）实现车牌识别 | 第15天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzUyNDgyNDkyMQ==&mid=2247485258&idx=1&sn=beb9d5818e63cf518f18e330317a2c1d&chksm=fa263f7ccd51b66a506951ccbdd9b74c96123034cb43a6a4b0c17c63c5ff2a780f072cb3d3ba&scene=178&cur_album_id=1902502231082352640#rd)\n14. [深度学习100例-卷积神经网络（CNN）识别神奇宝贝小智一伙 | 第16天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FH45mP7xErO3SmzJFeIRPZw)\n15. [深度学习100例-卷积神经网络（CNN）注意力检测 | 第17天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F118938811)\n16. [深度学习100例-卷积神经网络（VGG-16）猫狗识别 | 第21天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F0xgINYkh_qRprCJOfNX2zA)\n17. [深度学习100例-卷积神经网络（LeNet-5）深度学习里的“Hello Word” | 第22天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FJXq7CgtfEfAFONv_MayRZg)\n18. [深度学习100例-卷积神经网络（CNN）3D医疗影像识别 | 第23天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F9_uAmyUvCCATVVRWZxglIw)\n19. [深度学习100例 | 第24天-卷积神经网络（Xception）：动物识别](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F3iPVEMFmxZsSE7ShS9RFlw)\n20. [深度学习100例 | 第25天-卷积神经网络（CNN）：中文手写数字识别](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FI-uO5RbF50eOTMiUBkcAmA)\n21. [深度学习100例 | 第26天-卷积神经网络（CNN）：乳腺癌识别](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZnV9G9C2rduFs_8uBjKukw)\n22. [深度学习100例 | 第27天-卷积神经网络（CNN）：艺术作品识别](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120815018)\n### 循环神经网络篇（RNN） 🚀 \n\n1.  [深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FE1FTjfO-W4dndwctJF9ajQ)\n2.  [深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FkL6Z4OQFgdJPIGVjDIoz7g)\n3.  [深度学习100例 | 第32天（GRU模型）：利用算法生成小说（斗罗大陆版）](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120536511)\n\n###  生成对抗网络篇（GAN） 🎎\n\n1. [深度学习100例-生成对抗网络（GAN）手写数字生成 | 第18天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F118995896)\n2. [深度学习100例-生成对抗网络（DCGAN）手写数字生成 | 第19天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F119133575)\n3. [深度学习100例-生成对抗网络（DCGAN）生成动漫小姐姐 | 第20天](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F119182578)\n## 图卷积神经网络（GCN）🔥\n1. [深度学习100例 | 第52天-图卷积神经网络（GCN）：实现论文分类](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FH2igaSljlsI0dSw7KVXgcA)\n\n### 自然语言处理 📰\n\n1. [如何用Python做情感分析？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F2O4_ChFTwKioA2O8lirkhQ)\n2. [在线课程评论情感分析-本科毕设实战案例](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120731184)\n\n## 机器学习 🧰\n - [机器学习第1天：数据预处理](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82764848)\n - [机器学习第2天：简单线性回归模型](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82769827)\n - [机器学习第3天：多元线性回归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82775192)\n - [机器学习第4天：线性回归及梯度下降](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82794967)\n - [机器学习第5天：逻辑回归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82833529)\n - [机器学习第6天：数据可视化神器--Matplotlib](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82854242)\n - [机器学习第7天：深入了解逻辑回归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82884764)\n - [机器学习第8天：IPyhon与Jupyter notebook](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F83054319)\n\n实战篇:\n\n1. [数据预处理](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F82764848)\n2. [线性回归（代码篇）](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F107740173)\n3. [垃圾短信识别](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F108100817)\n4. [乳腺癌肿瘤预测](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F107958323)\n5. [预测汽车的燃油效率](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F107783901)\n\n## 数据分析 📊\n\n1. [抓取豆瓣上的《长津湖》的热评，我发现了这些](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FoqjSNUmmCIRVnKeewQE2lA)\n2. [数据分析告诉你，历年的诺贝尔奖都被哪些人拿走了？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FyKGmYyEd0UbA9093ZVNhZw)\n\n### Matplotlib实例教程 📈\n\n1. [Matplotlib实例教程（一）柱状图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120497987)\n2. [Matplotlib实例教程（二）饼状图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120498029)\n3. [Matplotlib实例教程（三）折线图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120498049)\n4. [Matplotlib实例教程（四）水平条形图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120640846)\n5. [Matplotlib实例教程（五）绘制散点图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120252497)\n6. [Matplotlib实例教程（六）直方图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120640947)\n7. [Matplotlib实例教程（七）密度图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641044)\n8. [Matplotlib实例教程（八）直方密度线图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641101)\n9. [Matplotlib实例教程（九）热力图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641140)\n10. [Matplotlib实例教程（十）边缘直方图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120641170)\n11. [Matplotlib实例教程（十一）堆栈图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734027)\n12. [Matplotlib实例教程（十二）箱形图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734194)\n13. [Matplotlib实例教程（十三）小提琴图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734229)\n14. [Matplotlib实例教程（十四）误差条形图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734265)\n15. [Matplotlib实例教程（十五） 3D散点图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734298)\n16. [Matplotlib实例教程（十六）3D直方图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734323)\n17. [Matplotlib实例教程（十七）3D山体图](https:\u002F\u002Fmtyjkh.blog.csdn.net\u002Farticle\u002Fdetails\u002F120734349)\n\n## 爬虫 🕷\n- [实战项目一：爬取西刺代理（获取代理IP）](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86750473)\n- [实战项目二：实现CSDN自动点赞](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F83717669)\n- [实战项目三：爬取QQ群中的人员信息](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82963395)\n- [实战项目四：爬取911网站](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86750865)\n- [实战项目五：抓取简书文章信息](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86819881)\n- [教程一：Xpath教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F80777765)\n- [教程二：selenium教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86592508)\n- [教程三：正则表达式教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F84935221)\n- [知识点讲解一：代理ip中的proxies](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81675871)\n- [知识点讲解二：requests中的timeout()](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81813793)\n- [知识点讲解三：获取重定位后的网址](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86682261)\n- [知识点讲解四：栈溢出（stack overflow）问题解决方案](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81903404)\n- [知识点讲解五：处理js异步加载问题](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82749724)\n- [知识点讲解六：fake-useragent的用法](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F86751142)\n- [知识点讲解七：Python中的异常处理机制](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F82351482)\n- [知识点讲解八：Python中的尾递归](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F81978887)\n- [知识点讲解九：判断字符串是否为纯数字](https:\u002F\u002Fblog.csdn.net\u002Fqq_38251616\u002Farticle\u002Fdetails\u002F87900947)\n\n# 深度学习教程\n## 一、入门资料\n\n[**完备的 AI 学习路线，最详细的中英文资源整理**](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64052743) :star:\n\n[AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NL](https:\u002F\u002Fgithub.com\u002Fapachecn\u002FAiLearning)\n\n[Machine-Learning](https:\u002F\u002Fgithub.com\u002Fshunliz\u002FMachine-Learning)\n\n### 数学基础\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_a5a4e9c84cb2.png)\n\n* [矩阵微积分](https:\u002F\u002Fzh.wikipedia.org\u002Fwiki\u002F%E7%9F%A9%E9%98%B5%E5%BE%AE%E7%A7%8B%E5%88%86)\n* [机器学习的数学基础](https:\u002F\u002Fgithub.com\u002Ffengdu78\u002FData-Science-Notes\u002Ftree\u002Fmaster\u002F0.math\u002F0.basic)\n* [CS229线性代数与概率论基础](https:\u002F\u002Fgithub.com\u002Ffengdu78\u002FData-Science-Notes\u002Ftree\u002Fmaster\u002F0.math\u002F1.CS229)\n\n### 机器学习基础\n\n#### 快速入门\n* [机器学习算法地图](http:\u002F\u002Fwww.tensorinfinity.com\u002Fpaper_18.html)\n* [机器学习 吴恩达 Coursera个人笔记](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%5BML-Coursera%5D%5B2014%5D%5BAndrew%20Ng%5D\u002F%5B2014%5D%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%AA%E4%BA%BA%E7%AC%94%E8%AE%B0%E5%AE%8C%E6%95%B4%E7%89%88v5.1.pdf)  && [视频（含官方笔记）](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning)  \n* [CS229 课程讲义中文翻译](https:\u002F\u002Fkivy-cn.github.io\u002FStanford-CS-229-CN\u002F#\u002F) && [机器学习 吴恩达 cs229个人笔记](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%5BML-CS229%5D%5B2011%5D%5BAndrew%20NG%5D\u002F%5B2011%5D%E6%96%AF%E5%9D%A6%E7%A6%8F%E5%A4%A7%E5%AD%A6%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%AF%BE%E7%A8%8B%E4%B8%AA%E4%BA%BA%E7%AC%94.pdf) && [官网（笔记）](http:\u002F\u002Fcs229.stanford.edu\u002F)  && [视频（中文字幕）](http:\u002F\u002Fopen.163.com\u002Fnewview\u002Fmovie\u002Ffree?pid=M6SGF6VB4&mid=M6SGHFBMC)   \n* [百页机器学习](http:\u002F\u002Fthemlbook.com\u002Fwiki\u002Fdoku.php)\n\n#### 深入理解\n* [《统计学习方法》李航](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Ftree\u002Fmaster\u002Fbooks\u002F%E6%9D%8E%E8%88%AA-%E7%BB%9F%E8%AE%A1%E5%AD%A6%E4%B9%A0) && [《统计学习方法》各章节笔记](https:\u002F\u002Fwww.cnblogs.com\u002FYongSun\u002Ftag\u002F%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0\u002F) && [《统计学习方法》各章节笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_1213397558586257408) && [推荐答案：statistical-learning-method-solutions-manual](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fstatistical-learning-method-solutions-manual)  [《统计学习方法》各章节笔记](https:\u002F\u002Fwww.cnblogs.com\u002Fliaohuiqiang\u002Fcategory\u002F1039314.html) &&  [《统计学习方法》各章节代码实现与课后习题参考解答](https:\u002F\u002Fblog.csdn.net\u002Fbreeze_blows\u002Farticle\u002Fdetails\u002F85469944)\n* [《模式识别与机器学习》 Christopher Bishop](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F模式识别与机器学习PRML_Chinese_vision.pdf)\n* [《机器学习》 周志华](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F机器学习周志华.pdf)    && [南瓜书：pumpkin-book](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fpumpkin-book)\n* [《机器学习实战》 PelerHarrington](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F机器学习实战%20中文双页版.pdf)\n* [机器学习与深度学习书单](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzAxMjcyNjE5MQ==&mid=2650488718&idx=1&sn=815a79d27d500f0fb8db1fe1fc6cfe48&chksm=83a2e54eb4d56c58a0989654f920d64ad2784ce52e4b2bc6883974257cf475c9983f05fb88c1&scene=0&xtrack=1&ascene=14&devicetype=android-28&version=27000339&nettype=WIFI&abtest_cookie=AwABAAoACwATAAQAI5ceAFaZHgDQmR4A3JkeAAAA&lang=zh_CN&pass_ticket=oEB1108Pes6HkdxEITmBjTb2Glju5%2BEGqHZKz50fMg0rgK4l9Fodlbe%2FDm96iX57&wx_header=1)\n\n# 深度学习基础\n\n## 快速入门\n* [深度学习思维导图](https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fdeeplearning-mindmap)\n* [《斯坦福大学深度学习基础教程》 Andrew Ng（吴恩达）](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F斯坦福大学-深度学习基础教程.pdf)  \n* [深度学习 吴恩达 个人笔记](http:\u002F\u002Fwww.ai-start.com\u002Fdl2017\u002F)  && [视频](http:\u002F\u002Fmooc.study.163.com\u002FsmartSpec\u002Fdetail\u002F1001319001.htm)\n* [MIT深度学习基础-2019视频课程](https:\u002F\u002Fdeeplearning.mit.edu\u002F)\n* [台湾大学（NTU）李宏毅教授课程](http:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~tlkagk\u002Findex.html) && [[leeml-notes](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fleeml-notes)\n* [图解深度学习_Grokking-Deep-Learning](https:\u002F\u002Fgithub.com\u002Fiamtrask\u002FGrokking-Deep-Learning)\n* [《神经网络与深度学习》 Michael Nielsen](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F神经网络和深度学习neural%20networks%20and%20deep-learning-中文_ALL.pdf)     \n* [ CS321-Hinton](http:\u002F\u002Fwww.cs.toronto.edu\u002F~tijmen\u002Fcsc321\u002F)\n* [ CS230: Deep Learning](https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs230\u002F)\t\t\n* [ CS294-112](http:\u002F\u002Frail.eecs.berkeley.edu\u002Fdeeprlcourse\u002Fresources\u002F)\n\n### 计算机视觉\n* [CS231 李飞飞 已授权个人翻译笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F21930884) && [视频](http:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?courseId=1003223001)\n* [计算机视觉研究方向](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FWNkzfvYtEO5zJoe_-yAPow)\n\n### 自然语言处理\n* [CS224n: Natural Language Processing with Deep Learning](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002Findex.html)\n* [NLP上手教程](https:\u002F\u002Fgithub.com\u002FFudanNLP\u002Fnlp-beginner)\n* [NLP入门推荐书目（2019版）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58874484)\n\n### 深度强化学习\n* [CS234: Reinforcement Learning](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs234\u002Findex.html)\n\n## 深入理解\n* [《深度学习》 Yoshua Bengio.Ian GoodFellow](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0.Yoshua%20Bengio%2BIan%20GoodFellow.pdf):star:       \n* [《自然语言处理》Jacob Eisenstein](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86.Jacob%20Eisenstein.pdf)\t\t\n* [《强化学习》](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FReinforcement%20Learning.Sutton.pdf) && [第二版](http:\u002F\u002Fincompleteideas.net\u002Fbook\u002FRLbook2018trimmed.pdf)\t\n* [hangdong的深度学习博客,论文推荐](https:\u002F\u002Fhandong1587.github.io\u002Fcategories.html#deep_learning-ref)\n* [Practical Deep Learning for Coders, v3](https:\u002F\u002Fcourse.fast.ai\u002F)\n* [《Tensorflow实战Google深度学习框架》 郑泽宇 顾思宇](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FTensorflow%20实战Google深度学习框架.pdf)\n\n## 一些书单\n\n* [2019年最新-深度学习、生成对抗、Pytorch优秀教材推荐](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63784033)\n\n# 工程能力\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_8046471d3694.jpg)\n\n* [如何系统地学习算法？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F20588261\u002Fanswer\u002F798928056) && [LeetCode](https:\u002F\u002Fleetcode.com\u002F) && [leetcode题解](https:\u002F\u002Fgithub.com\u002Fazl397985856\u002Fleetcode) && [《算法导论》中算法的C++实现](https:\u002F\u002Fgithub.com\u002Fhuaxz1986\u002Fcplusplus-_Implementation_Of_Introduction_to_Algorithms)\n* [机器学习算法实战](#机器学习实战篇)\n* [深度学习框架](#深度学习框架)\n* [如何成为一名算法工程师](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FYMtnBAVDZepsMTO4h-VRtQ) && [从小白到入门算法，我的经验分享给你～](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzAxMjcyNjE5MQ==&mid=2650488786&idx=1&sn=68b9536d0b0b3105ab8d79f8efcb0a4b&chksm=83a2e512b4d56c045c6ab0349108842e6a5b26e8f3e507ff5d19ee50e3bd63ef149a36d23eef&scene=0&xtrack=1&ascene=14&devicetype=android-28&version=27000437&nettype=WIFI&abtest_cookie=BAABAAoACwASABMABgAjlx4AVpkeANCZHgDcmR4A8ZkeAAOaHgAAAA%3D%3D&lang=zh_CN&pass_ticket=4yovfEr0v09yZCvvQ1NEy12qGIonnRpGi774X09Mh5EZD2oL%2BRz6FTtX9R5gALB1&wx_header=1) && [我的研究生这三年](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54161673) :star:\n* [编程面试的题目分类](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F89392459)\n* [《AI算法工程师手册》](http:\u002F\u002Fwww.huaxiaozhuan.com\u002F)\n* [如何准备算法工程师面试，斩获一线互联网公司机器学习岗offer？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F76827460)\n* [【完结】深度学习CV算法工程师从入门到初级面试有多远，大概是25篇文章的距离](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FHZ3Cd2jHuikyFN9ydvcMTw)\n* [ 计算机相关技术面试必备](https:\u002F\u002Fgithub.com\u002FCyC2018\u002FCS-Notes) && [CS-WiKi](https:\u002F\u002Fveal98.gitee.io\u002Fcs-wiki\u002F#\u002F) && [计算机基础面试问题全面总结](https:\u002F\u002Fgithub.com\u002Fwolverinn\u002FWaking-Up) && [TeachYourselfCS-CN](https:\u002F\u002Fgithub.com\u002Fkeithnull\u002FTeachYourselfCS-CN) && [面试算法笔记-中文](https:\u002F\u002Fgithub.com\u002Fimhuay\u002FAlgorithm_for_Interview-Chinese) \n* [算法工程师面试](https:\u002F\u002Fgithub.com\u002FDarLiner\u002FAlgorithm_Interview_Notes-Chinese)\n* [深度学习面试题目](https:\u002F\u002Fgithub.com\u002FShanghaiTechAIClub\u002FDLInterview)\n* [深度学习500问](https:\u002F\u002Fgithub.com\u002Fscutan90\u002FDeepLearning-500-questions)\n* [AI算法岗求职攻略](https:\u002F\u002Fgithub.com\u002Famusi\u002FAI-Job-Notes#Strategy)\n* [Kaggle实战]()\n  * 常用算法：\n    * 特征工程（Feature Engineering）：连续变量（continue variable） && 分类变量（categorical variable）\n    * 经典机器学习算法（Classic machine learning algorithm）：LR, KNN, SVM, Random Forest, GBDT(XGBoost&&LightGBM), Factorization Machine, Field-aware Factorization Machine, Neural Network\n    * 交叉验证（Cross validation）、模型选择（model selection）：网格搜索（grid search）、随机搜索（random search）、hyper-opt\n    * 集成学习（Ensemble learning）\n  * [kaggle竞赛宝典第一章-竞赛框架篇！:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FEGiFG6u9BYr1aBdq0a0wIQ)\n  * [Kaggle 项目实战（教程） = 文档 + 代码 + 视频](https:\u002F\u002Fgithub.com\u002Fapachecn\u002Fkaggle)\n  * [Kaggle入门系列：（一）机器学习环境搭建](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29086448) && [Kaggle入门系列：（二）Kaggle简介](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29417603) && [Kaggle入门系列（三）Titanic初试身手](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29086614)\n  * [从 0 到 1 走进 Kaggle](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61660061) \n  * [Kaggle 入门指南](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25742261) \n  * [一个框架解决几乎所有机器学习问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61657532) && [Approaching (Almost) Any Machine Learning Problem | Abhishek Thakur](http:\u002F\u002Fblog.kaggle.com\u002F2016\u002F07\u002F21\u002Fapproaching-almost-any-machine-learning-problem-abhishek-thakur\u002F)\n  * [分分钟带你杀入Kaggle Top 1%](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27424282)\n  * [如何达到Kaggle竞赛top 2%？这里有一篇特征探索经验帖](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F48758045) \n  * [如何在 Kaggle 首战中进入前 10%？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27486736)\n  * [Kaggle 首战 Top 2%, APTOS 2019 复盘总结 + 机器学习竞赛通用流程归纳](http:\u002F\u002Fbbs.cvmart.net\u002Ftopics\u002F1717)\n  * [kaggle的riiid比赛里关于数据处理时间空间优化的笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F344388290)\n* [大数据&机器学习相关竞赛推荐](https:\u002F\u002Fblog.csdn.net\u002Fweixin_33739541\u002Farticle\u002Fdetails\u002F87565983)\n\n## 二. 神经网络模型概览\t\t\n\n* [1. 一文看懂25个神经网络模型](https:\u002F\u002Fblog.csdn.net\u002Fqq_35082030\u002Farticle\u002Fdetails\u002F73368962)\n* [2. DNN概述论文：详解前馈、卷积和循环神经网络技术](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29141828)\n* [3. colah's blog](http:\u002F\u002Fcolah.github.io\u002F)\n* [4. Model Zoom](https:\u002F\u002Fmodelzoo.co\u002F)\n* [5. DNN概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29141828)\n* [GitHub上的机器学习\u002F深度学习综述项目合集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60245227)\n* [AlphaTree-graphic-deep-neural-network](https:\u002F\u002Fgithub.com\u002Fweslynn\u002FAlphaTree-graphic-deep-neural-network)\n\n### CNN\n\n#### 发展史\n\n* [94页论文综述卷积神经网络：从基础技术到研究前景](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35388569)\n\n##### 图像分类\n\n* [从LeNet-5到DenseNet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31006686)      \n* [深度学习笔记（十一）网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv](https:\u002F\u002Fwww.cnblogs.com\u002Fxuanyuyt\u002Fp\u002F11329998.html)\n* [CNN网络结构的发展](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F68411179)\n* [Awesome - Image Classification：论文&&代码大全](https:\u002F\u002Fgithub.com\u002Fweiaicunzai\u002Fawesome-image-classification)\n* [pytorch-image-models](https:\u002F\u002Fgithub.com\u002Frwightman\u002Fpytorch-image-models)\n\n##### 目标检测\n\n- [深度学习之目标检测的前世今生（Mask R-CNN）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32830206)      \n- [深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29434605)      \n- [从RCNN到SSD，这应该是最全的一份目标检测算法盘点](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36184131)    \n- [目标检测算法综述三部曲](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40047760)\n  - [基于深度学习的目标检测算法综述（一）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40047760)\n  - [基于深度学习的目标检测算法综述（二）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40020809)\n  - [基于深度学习的目标检测算法综述（三）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40102001)\n- [From RCNN to YOLOv3]()：[上](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35724768)，[下](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35731743)\n- [后 R-CNN时代， Faster R-CNN、SSD、YOLO 各类变体统治下的目标检测综述：Faster R-CNN系列胜了吗？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38709522)\n- [目标检测进化史](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60590369)\n- [CVPR2019目标检测方法进展综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59376548)\n- [一文看尽21篇目标检测最新论文（腾讯\u002FGoogle\u002F商汤\u002F旷视\u002F清华\u002F浙大\u002FCMU\u002F华科\u002F中科院等](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61080508)\n- [我这两年的目标检测](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82491218)\n- [Anchor-Free目标检测算法](): [第一篇：arxiv2015_baidu_DenseBox](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40221183)， [如何评价最新的anchor-free目标检测模型FoveaBox？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F319605567\u002Fanswer\u002F647844997), [FCOS: 最新的one-stage逐像素目标检测算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61644900) && [最新的Anchor-Free目标检测模型FCOS，现已开源！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62198865) && [中科院牛津华为诺亚提出CenterNet，one-stage detector可达47AP，已开源！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62789701) && [AnchorFreeDetection](https:\u002F\u002Fgithub.com\u002FVCBE123\u002FAnchorFreeDetection)\n- [Anchor free深度学习的目标检测方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64563186)\n- [聊聊Anchor的\"前世今生\"（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63273342)&&[聊聊Anchor的\"前世今生\"（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F68291859)\n- [目标检测算法综述之FPN优化篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62975854) && [一文看尽物体检测中的各种FPN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F148738276)\n- [awesome-object-detection：论文&&代码](https:\u002F\u002Fgithub.com\u002Famusi\u002Fawesome-object-detection)\n- [deep_learning_object_detection](https:\u002F\u002Fgithub.com\u002Fhoya012\u002Fdeep_learning_object_detection)\n- [ObjectDetectionImbalance](https:\u002F\u002Fgithub.com\u002Fkemaloksuz\u002FObjectDetectionImbalance)\n\n##### 图像分割（语义分割、实例分割、全景分割）\n\n* [图像语义分割(Semantic segmentation) Survey](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36801104)\n* [干货 | 一文概览主要语义分割网络](https:\u002F\u002Fblog.csdn.net\u002Fqq_20084101\u002Farticle\u002Fdetails\u002F80432960)\n* [语义分割 发展综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37618829)       \n* [9102年了，语义分割的入坑指南和最新进展都是什么样的](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F76603228)\n* [实例分割最新最全面综述：从Mask R-CNN到BlendMask](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F110132002)\n* [语义分割综述：深度学习背景下的语义分割的发展状况【推荐】](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F133212654)\n* [Awesome Semantic Segmentation：论文&&代码](https:\u002F\u002Fgithub.com\u002Fmrgloom\u002Fawesome-semantic-segmentation)\n* [一篇看完就懂的最新语义分割综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F110123136)\n* [基于深度学习的语义分割综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F142451150)\n\n##### 轻量化卷积神经网络\n\n- [纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32746221)   \n\n##### 人脸相关\n\n* [如何走近深度学习人脸识别？你需要这篇超长综述 | 附开源代码](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35295839)    \n* [人脸检测和识别算法综述]()       \n    * [人脸检测算法综述 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36621308)           \n    * [人脸检测背景介绍和发展现状](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32702868)\n    * [人脸识别算法演化史](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36416906)\n    * [CascadeCNN](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F50358809)   \n    * [MTCNN](https:\u002F\u002Fblog.csdn.net\u002Fqq_14845119\u002Farticle\u002Fdetails\u002F52680940)\n    * [awesome-Face_Recognition](https:\u002F\u002Fgithub.com\u002FChanChiChoi\u002Fawesome-Face_Recognition)\n    * [异质人脸识别研究综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64191484)\n    * [老板来了：人脸识别+手机推送，老板来了你立刻知道。](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26431250)&& [手把手教你用Python实现人脸识别](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33456076) && [人脸识别项目，网络模型，损失函数，数据集相关总结](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fe57205edc364)\n    * [基于深度学习的人脸识别技术综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24816781) && [如何走近深度学习人脸识别？你需要这篇超长综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35295839) && [人脸识别损失函数综述（附开源实现）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F51324547) && [Face Recognition Loss on Mnist with Pytorch](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64427565) && [人脸识别的LOSS（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34404607) && [人脸识别的LOSS（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34436551)\n* [人脸关键点检测]()\n    * [【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F88344339)\n    * [从传统方法到深度学习，人脸关键点检测方法综述](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FCvdeV5xgUF0kStJQdRst0w)\n    * [人脸关键点检测综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F42968117)\n    * [人脸专集4 | 遮挡、光照等因素的人脸关键点检测](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62824113)\n    * [【Face key point detection】人脸关键点检测实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52525598)\n    * [OpenCV实战：人脸关键点检测（FaceMark）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35390012)\n    * [CenterFace+TensorRT部署人脸和关键点检测400fps](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F106774468)\n\n##### 图像超分辨率\n\n* [深度学习图像超分辨率综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57564211)\n* [从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31664818)\n\n##### 行人重识别\n\n* [【CVPR2019正式公布】行人重识别论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62843442)\n* [【CVPR2019正式公布】行人重识别论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62843442)，[2019 行人再识别年度进展回顾](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64004977)\n\n##### 图像着色\n\n* [Awesome-Image-Colorization](https:\u002F\u002Fgithub.com\u002FMarkMoHR\u002FAwesome-Image-Colorization)\n\n##### 边检测\n\n* [Awesome-Edge-Detection-Papers](https:\u002F\u002Fgithub.com\u002FMarkMoHR\u002FAwesome-Edge-Detection-Papers)\n\n##### OCR&&文本检测\n\n* [2019CVPR文本检测综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67319122)\n* [OCR文字处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65707543)\n* [自然场景文本检测识别技术综述](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzU4MjQ3MDkwNA==&mid=2247485142&idx=1&sn=c0e01da30eb5e750be453eabe4be2bf4&chksm=fdb69b41cac11257ae22c7dac395e9651dab628fc35dd6d3c02d9566a8c7f5f2b56353d58a64&token=1065243837&lang=zh_CN#rd)\n\n##### 点云\n\n* [awesome-point-cloud-analysis](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65690433)\n\n##### 细粒度图像分类\n\n* [超全深度学习细粒度图像分析：项目、综述、教程一网打尽](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F73542103)\n\n##### 图像检索\n\n* 图像检索的十年[上](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FsM78DCOK3fuG2JrP2QaSZA)、[下](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FyzVMDEpwbXVS0y-CwWSBEA)\n\n##### 人群计数\n\n* [人群计数](http:\u002F\u002Fchuansong.me\u002Fn\u002F443237851736), [1](https:\u002F\u002Fwww.cnblogs.com\u002Fwmr95\u002Fp\u002F8134692.html), [2](https:\u002F\u002Fblog.csdn.net\u002Fu011285477\u002Farticle\u002Fdetails\u002F51954989), [3](https:\u002F\u002Fblog.csdn.net\u002Fqingqingdeaini\u002Farticle\u002Fdetails\u002F79922549)\n\n#### 教程\n\n##### 前馈神经网络\n\n* [从基本原理到梯度下降，小白都能看懂的神经网络教程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59385110)\n\n##### 激活函数\n\n* [激活函数一览](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30567264) && [深度学习中几种常见的激活函数理解与总结](https:\u002F\u002Fwww.cnblogs.com\u002FXDU-Lakers\u002Fp\u002F10557496.html)\n* [一个激活函数需要具有哪些必要的属性](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F67366051)\n\n##### 反向传播算法\n\n* [反向传播算法（过程及公式推导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51039334)\n* [通俗理解神经网络BP传播算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24801814)\n\n##### 优化问题\n\n* [神经网络训练中的梯度消失与梯度爆炸](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25631496)\n* [梯度消失和梯度爆炸问题详解](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F3f35e555d5ba)\n* [详解深度学习中的梯度消失、爆炸原因及其解决方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33006526) && [神经网络梯度消失和梯度爆炸及解决办法](https:\u002F\u002Fblog.csdn.net\u002Fprogram_developer\u002Farticle\u002Fdetails\u002F80032376)\n\n##### 卷积层\n\n* [深度学习中不同类型的卷积全面介绍](https:\u002F\u002Ftowardsdatascience.com\u002Fa-comprehensive-introduction-to-different-types-of-convolutions-in-deep-learning-669281e58215) && 翻译：[上](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201902\u002FD2Mkv61w9IPq9qGh.html)、[下](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201902\u002FbiIqSBpehsaXFwpN.html?uniqueCode=OTEsp9649VqJfUcO)\n* [卷积有多少种？一文读懂深度学习中的各种卷积](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57575810)\n* [各种卷积](https:\u002F\u002Fwww.cnblogs.com\u002FcvtoEyes\u002Fp\u002F8848815.html)\n* [卷积网络及其变种（反卷积、扩展卷积、因果卷积、图卷积）](https:\u002F\u002Fwww.cnblogs.com\u002Fyangperasd\u002Fp\u002F7071657.html)\n* [深度学习基础--卷积类型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59839551)\n* [变形卷积核、可分离卷积](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28749411)\n* [对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解](https:\u002F\u002Fblog.csdn.net\u002Fchaolei3\u002Farticle\u002Fdetails\u002F79374563)\n* [反卷积](https:\u002F\u002Fbuptldy.github.io\u002F2016\u002F10\u002F29\u002F2016-10-29-deconv\u002F) \n* [Dilated\u002FAtrous conv 空洞卷积\u002F多孔卷积](https:\u002F\u002Fblog.csdn.net\u002Fsilence2015\u002Farticle\u002Fdetails\u002F79748729)\n* [卷积层输出大小尺寸计算及 \"SAME\" 和 \"VALID\"]](https:\u002F\u002Fblog.csdn.net\u002Fweixin_37697191\u002Farticle\u002Fdetails\u002F89527315) && [卷积的三种模式full, same, valid以及padding的same, valid](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62760780)\n* [正常卷积与空洞卷积输出特征图与感受野大小的计算](https:\u002F\u002Fblog.csdn.net\u002Fqq_43232545\u002Farticle\u002Fdetails\u002F103317773)\n* [【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积（depthwise convolution）?](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F78003476)\t\n* [【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积（dilated convolution）？](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F78003730)\n* [【Tensorflow】tf.nn.separable_conv2d如何实现深度可分卷积（depthwise separable convolution）?](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F78002811)\t\n* [【TensorFlow】tf.nn.conv2d_transpose是怎样实现反卷积（transposed convolution）的？](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F71713358)\n\n##### 池化层\n\n* [卷积神经网络中的各种池化操作](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F112216409)\n\n##### 卷积神经网络\n\n- [卷积神经网络工作原理](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F39022858)\n- [「七夕的礼物」: 一日搞懂卷积神经网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28863709)\n- [一文读懂卷积神经网络中的1x1卷积核](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40050371)\n- [如何理解神经网络中通过add和concate的方式融合特征？](https:\u002F\u002Fblog.csdn.net\u002Fxiaojiajia007\u002Farticle\u002Fdetails\u002F86008415) && [神经网络中对需要concat的特征进行线性变换然后相加是否好于直接concat?](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F389912594\u002Fanswer\u002F1178054600)\n- [CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F65305385) && [深度学习中卷积的参数量和计算量](https:\u002F\u002Fwww.cnblogs.com\u002Fhejunlin1992\u002Fp\u002F12978988.html)\n\n##### 图像分类网络详解\n\n* [经典CNN模型LeNet解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41736894)\n* [机器学习进阶笔记之三 | 深入理解Alexnet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22659166)\n* [一文读懂VGG网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41423739)\n* [Inception V1,V2,V3,V4 模型总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52802896)\n* [ResNet解析](https:\u002F\u002Fblog.csdn.net\u002Flanran2\u002Farticle\u002Fdetails\u002F79057994)\n* [一文简述ResNet及其多种变体](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35985680)\n* [CapsNet入门系列](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484099&idx=1&sn=97e209f1a9860c8d8c51e81d98fc8a0a&chksm=eb4ee600dc396f16624a33cdfc0ead905e62ae9447b49b20146020e6cbd7d71f089101512a40&scene=21#wechat_redirect)\n  - [CapsNet入门系列之一：胶囊网络背后的直觉](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484099&idx=1&sn=97e209f1a9860c8d8c51e81d98fc8a0a&chksm=eb4ee600dc396f16624a33cdfc0ead905e62ae9447b49b20146020e6cbd7d71f089101512a40&scene=21#wechat_redirect)\n  - [CapsNet入门系列之二：胶囊如何工作](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484165&idx=1&sn=0ca679e3a5f499f8d8addb405fe3df83&chksm=eb4ee7c6dc396ed0a330fcac12690110bcaf9a8a10794dbc5e1a326c69ecbb140140f55fd6ba&scene=21#wechat_redirect)\n  - [CapsNet入门系列之三：囊间动态路由算法](http:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzI3ODkxODU3Mg==&mid=2247484433&idx=1&sn=3afe4605bc2501eebbc41c6dd1af9572&chksm=eb4ee0d2dc3969c4619d6c1097d5c949c76c6c854e60d36eba4388da2c3855747818d062c90a&scene=21#wechat_redirect)\n  - [CapsNet入门系列之四：胶囊网络架构](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F6CRSen8P6zKaMGtX8IRfqw)\n* [深入剖析MobileNet和它的变种（例如：ShuffleNet）为什么会变快？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F158591662)\n* [CNN模型之ShuffleNet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32304419)\n* [ShuffleNet V2和四个网络架构设计准则](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40980942)\n* [ResNeXt 深入解读与模型实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78019001)\n* [如何评价Momenta ImageNet 2017夺冠架构SENet?](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F63460684)\n* [CBAM：卷积块注意力模块](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F79419670) && [CBAM: Convolutional Block Attention Module](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65529934)\n* [SKNet——SENet孪生兄弟篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59690223)\n* [GCNet：当Non-local遇见SENet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64988633)\n* [深度学习笔记（十一）网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv](https:\u002F\u002Fwww.cnblogs.com\u002Fxuanyuyt\u002Fp\u002F11329998.html)\n* [如何评价最新的Octave Convolution？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F320462422)\n* [ResNeSt 之语义分割](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F136105870) && [关于ResNeSt的点滴疑惑](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F133805433) && [ResNeSt在刷榜之后被ECCV2020 strong reject](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F143214871)\n\n##### 目标检测网络详解\n\n* [目标检测的性能评价指标](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F70306015) && [NMS和计算mAP时的置信度阈值和IoU阈值](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F75348108) && [白话mAP](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60834912) && [目标检测模型的评估指标mAP详解(附代码）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37910324)\n* [深度学习中IU、IoU(Intersection over Union)](https:\u002F\u002Fblog.csdn.net\u002Fiamoldpan\u002Farticle\u002Fdetails\u002F78799857)\n* [Selective Search for Object Detection](https:\u002F\u002Fwww.learnopencv.com\u002Fselective-search-for-object-detection-cpp-python\u002F)[（译文）](https:\u002F\u002Fblog.csdn.net\u002Fguoyunfei20\u002Farticle\u002Fdetails\u002F78723646)\n* [Region Proposal Network(RPN)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F106192020)\n* [边框回归(Bounding Box Regression)详解](https:\u002F\u002Fblog.csdn.net\u002Fzijin0802034\u002Farticle\u002Fdetails\u002F77685438)\n* [NMS——非极大值抑制](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F52711706) && [非极大值抑制NMS的python实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F128125301)\n* [一文打尽目标检测NMS——精度提升篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F151914931) && [一文打尽目标检测NMS——效率提升篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F157900024)\n* [目标检测回归损失函数简介：SmoothL1\u002FIoU\u002FGIoU\u002FDIoU\u002FCIoU Loss](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104236411)\n* [将CNN引入目标检测的开山之作：R-CNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23006190)\n* [R-CNN论文详解](https:\u002F\u002Fblog.csdn.net\u002Fu014696921\u002Farticle\u002Fdetails\u002F52824097)\n* [深度学习（十八）基于R-CNN的物体检测](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F50187029)\n* [Fast R-CNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24780395)\n* [深度学习（六十四）Faster R-CNN物体检测](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F73382553) && [你真的学会RoI Pooling了吗?](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59692298)\n* [目标检测论文阅读：Feature Pyramid Networks for Object Detection](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36461718)\n* [SSD](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24954433)\n* [实例分割--Mask RCNN详解(ROI Align \u002F Loss Function)](https:\u002F\u002Fwww.codetd.com\u002Farticle\u002F2554465) && [令人拍案称奇的Mask RCNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37998710)\n* [何恺明大神的「Focal Loss」，如何更好地理解？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32423092) && [FocalLoss 对样本不平衡的权重调节和减低损失值](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82148525) && [focal_loss 多类别和二分类 Pytorch代码实现](https:\u002F\u002Fblog.csdn.net\u002Fqq_33278884\u002Farticle\u002Fdetails\u002F91572173) && [多分类focal loss及其tensorflow实现](https:\u002F\u002Fblog.csdn.net\u002Fqq_39012149\u002Farticle\u002Fdetails\u002F96184383)\n* [堪比Focal Loss！解决目标检测中样本不平衡的无采样方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F93658728)\n* [目标检测正负样本区分策略和平衡策略总结(一)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138824387) && [目标检测正负样本区分策略和平衡策略总结(二)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138828372) && [目标检测正负样本区分策略和平衡策略总结(三）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F144659734)\n* [YOLO](http:\u002F\u002Fwww.mamicode.com\u002Finfo-detail-2314392.html) && [目标检测|YOLO原理与实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32525231) && [图解YOLO](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24916786) && [【论文解读】Yolo三部曲解读——Yolov1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F70387154)\n* [目标检测|YOLOv2原理与实现(附YOLOv3)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35325884?group_id=966229905398362112) && [YOLO2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25167153) && [【论文解读】Yolo三部曲解读——Yolov2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F74540100)\n* [\u003C机器爱学习>YOLO v3深入理解](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F49556105) && [【论文解读】Yolo三部曲解读——Yolov3](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F76802514)\n* [YOLOv4](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138510087)\n* [目标检测之CornerNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.01244), [1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41825737), [2](https:\u002F\u002Fblog.csdn.net\u002FHibercraft\u002Farticle\u002Fdetails\u002F81637451), [3](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41759548)\n* [目标检测小tricks--样本不均衡处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60612064)\n\n##### 图像分割网络详解\n\n* [超像素、语义分割、实例分割、全景分割 傻傻分不清](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F50996404) && [语义分割、实例分割和全景分割的区别](https:\u002F\u002Fblog.csdn.net\u002Fu013066730\u002Farticle\u002Fdetails\u002F103613154)\n* [语义分割卷积神经网络快速入门](https:\u002F\u002Fblog.csdn.net\u002Fqq_20084101\u002Farticle\u002Fdetails\u002F80455877)          \n* [图像语义分割入门+FCN\u002FU-Net网络解析](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31428783) && [深入理解深度学习分割网络Ｕnet](https:\u002F\u002Fblog.csdn.net\u002FFormlsl\u002Farticle\u002Fdetails\u002F80373200)\n* [Unet神经网络为什么会在医学图像分割表现好？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F269914775)\n* [图像语义分割的工作原理和CNN架构变迁](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38033032)\n* [语义分割中的Attention和低秩重建](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F77834369)\n* [打通多个视觉任务的全能Backbone:HRNet](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F134253318)\n\n##### 注意力机制\n\n* [深度学习中的注意力模型（2017版）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37601161)\n* [Attention Model（mechanism） 的 套路](https:\u002F\u002Fblog.csdn.net\u002Fbvl10101111\u002Farticle\u002Fdetails\u002F78470716)\n* [计算机视觉中的注意力机制（推荐）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F146130215) \n* [More About Attention（推荐）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F106662375)\n* [计算机视觉中的注意力机制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32928645)\n* [NLP中的Attention Mechanism](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31547842)\n* [Transformer中的Attention](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fk8PdZAld2ANVoekuyQxI3w)\n* [综述：图像处理中的注意力机制](https:\u002F\u002Fbbs.cvmart.net\u002Ftopics\u002F2581)\n\n##### 特征融合\n\n* [盘点目标检测中的特征融合技巧（根据YOLO v4总结）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F141685352)\n* [多尺度融合介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F147820687)\n\n#### Action\n\n* [PyTorch官方实现ResNet](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fvision\u002Fblob\u002Fmaster\u002Ftorchvision\u002Fmodels\u002Fresnet.py) && [pytorch_resnet_cifar10](https:\u002F\u002Fgithub.com\u002Fakamaster\u002Fpytorch_resnet_cifar10)\n* [PyTorch 63.Coding for FLOPs, Params and Latency](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F268816646)\n* [先读懂CapsNet架构然后用TensorFlow实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30753326)\n* [目标检测-20种模型的原味代码汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37056927)     \n* [TensorFlow Object Detection API 教程](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79306762)\n  * [TensorFlow 对象检测 API 教程1](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79306762)\n  * [TensorFlow 对象检测 API 教程2](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307598)\n  * [TensorFlow 对象检测 API 教程3](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307751)\n  * [TensorFlow 对象检测 API 教程 4](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307931)\n  * [TensorFlow 对象检测 API 教程5](https:\u002F\u002Fblog.csdn.net\u002Fqq_36148847\u002Farticle\u002Fdetails\u002F79307933)\n* [在TensorFlow+Keras环境下使用RoI池化一步步实现注意力机制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65327747)\n* [mxnet如何查看参数数量](https:\u002F\u002Fdiscuss.gluon.ai\u002Ft\u002Ftopic\u002F7216) && [mxnet查看FLOPS](https:\u002F\u002Fgithub.com\u002Flikelyzhao\u002FCalFLOPS-Mxnet)\n* [Pytorch-UNet](https:\u002F\u002Fgithub.com\u002Fmilesial\u002FPytorch-UNet)\n* [segmentation_models.pytorch](https:\u002F\u002Fgithub.com\u002Fqubvel\u002Fsegmentation_models.pytorch)\n\n### 生成对抗网络（GAN）\n\n#### 发展史\n\n* [千奇百怪的GAN变体](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26491601)  \n* [苏剑林博客，讲解得淋漓尽致](https:\u002F\u002Fkexue.fm\u002Ftag\u002FGAN\u002F)  \n* [The GAN Landscape：Losses, Architectures, Regularization, and Normalization](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1807.04720.pdf)  \n* [深度学习新星：GAN的基本原理、应用和走向](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201701\u002FKq6FvnjgbKK8Lh8N.html)  \n* [GAN生成图像综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62746494)  \n* [2017年GAN 计算机视觉相关paper汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29882709)  \n* [必读的10篇关于GAN的论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F72745900)  \n\n#### 教程\n\n* [GAN原理学习笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27295635)  \n* [GAN万字长文综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58812258)  \n* [极端图像压缩的对抗生成网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35783437?group_id=969598777652420608)  \n* [台湾大学李宏毅GAN教程](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0CKeqXl5IY0&feature=youtu.be)  \n    * [Basic](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FGAN-Basic%20Idea%20(2017.04.21).pdf)  \n    * [Improving](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FGAN-Improving%20GAN%20(2017.05.05).pdf)  \n* [CycleGAN：图片风格，想换就换 | ICCV 2017论文解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34711316)  \n* [Wasserstein GAN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25071913) && [GAN：两者分布不重合JS散度为log2的数学证明](https:\u002F\u002Fblog.csdn.net\u002FInvokar\u002Farticle\u002Fdetails\u002F88917214)  \n* [用变分推断统一理解生成模型（VAE、GAN、AAE、ALI）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40105143)  \n\n#### 实践指南\n\n* [GAN学习指南：从原理入门到制作生成Demo](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24767059)  \n* [机器之心GitHub项目：GAN完整理论推导与实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29837245)  \n* [在Keras上实现GAN：构建消除图片模糊的应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35030377)  \n\n### 循环神经网络（RNN）\n\n#### 发展史\n\n* [从90年代的SRNN开始，纵览循环神经网络27年的研究进展](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32668465)  \n\n#### 教程\n\n* [Awesome-Chinese-NLP](https:\u002F\u002Fgithub.com\u002Fcrownpku\u002FAwesome-Chinese-NLP)  \n* [nlp-pytorch-zh](https:\u002F\u002Fgithub.com\u002Fapachecn\u002Fnlp-pytorch-zh)  \n* [完全图解RNN、RNN变体、Seq2Seq、Attention机制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28054589)  \n* [循环神经网络(RNN, Recurrent Neural Networks)介绍](https:\u002F\u002Fblog.csdn.net\u002Fheyongluoyao8\u002Farticle\u002Fdetails\u002F48636251)  \n* [RNN以及LSTM的介绍和公式梳理](https:\u002F\u002Fblog.csdn.net\u002FDark_Scope\u002Farticle\u002Fdetails\u002F47056361)  \n* [（译）理解长短期记忆(LSTM) 神经网络](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24018768)  \n* [ 一文读懂LSTM和RNN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35878575?group_id=970350175025385472)  \n* [探索LSTM：基本概念到内部结构](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27345523)  \n* [ 翻译：深入理解LSTM系列](https:\u002F\u002Fblog.csdn.net\u002Fmatrix_space\u002Farticle\u002Fdetails\u002F53374040)  \n* [深入理解 LSTM 网络 (一)](https:\u002F\u002Fblog.csdn.net\u002Fmatrix_space\u002Farticle\u002Fdetails\u002F53374040)  \n* [深入理解 LSTM 网络 (二)](https:\u002F\u002Fblog.csdn.net\u002Fmatrix_space\u002Farticle\u002Fdetails\u002F53376870)  \n* [LSTM](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32085405)  \n* [深度学习其五 循环神经网络](https:\u002F\u002Fzybuluo.com\u002Fhanbingtao\u002Fnote\u002F541458)  \n* [用循环神经网络进行文件无损压缩：斯坦福大学提出DeepZip](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32582764)  \n* [吴恩达序列建模课程]()  \n    * [Coursera吴恩达《序列模型》课程笔记（1）-- 循环神经网络（RNN）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34309635)  \n    * [Coursera吴恩达《序列模型》课程笔记（2）-- NLP & Word Embeddings](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34975871)  \n    * [Coursera吴恩达《序列模型》课程笔记（3）-- Sequence models & Attention mechanism](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35532553)  \n* word2vec\n\n    - 原理\n      - [NLP 秒懂词向量Word2vec的本质](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26306795)  \n      - [一篇通俗易懂的word2vec](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35500923)  \n      - [YJango的Word Embedding--介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27830489)  \n      - [nlp中的词向量对比：word2vec\u002Fglove\u002FfastText\u002Felmo\u002FGPT\u002Fbert](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56382372)  \n      - [词嵌入（word2vec）](https:\u002F\u002Fzh.diveintodeeplearning.org\u002Fchapter_natural-language-processing\u002Fword2vec.html)  \n      - [谈谈谷歌word2vec的原理](https:\u002F\u002Fblog.csdn.net\u002Fwangyangzhizhou\u002Farticle\u002Fdetails\u002F77073023)  \n      - [Word2Vec中为什么使用负采样？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67117737)  \n    - 训练词向量\n      - [练习-word2vec](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29200034)  \n      - [word2vec方法的实现和应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31886824)  \n      - [自然语言处理入门 word2vec 使用tensorflow自己训练词向量](https:\u002F\u002Fblog.csdn.net\u002Fwzdjsgf\u002Farticle\u002Fdetails\u002F79541492)  \n      - [使用tensorflow实现word2vec中文词向量的训练](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28979653)  \n      - [如何用TensorFlow训练词向量](https:\u002F\u002Fblog.csdn.net\u002Fwangyangzhizhou\u002Farticle\u002Fdetails\u002F77530479?locationNum=1&fps=1)  \n* [聊聊 Transformer](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47812375)  \n* [基于Transform的机器翻译系统](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F144825330)  \n* [基于word2vec训练词向量(一)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35648927)  \n* [基于word2vec训练词向量(二)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35889385)  \n* [自然语言处理中的自注意力机制（Self-Attention Mechanism）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35041012)  \n* [自然语言处理中注意力机制综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54491016)  \n* [YJango的Word Embedding--介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27830489)  \n\n#### 实践指南\n\n* [推荐：nlp-tutorial](https:\u002F\u002Fgithub.com\u002Fgraykode\u002Fnlp-tutorial)  \n* [nlp-tutorial](https:\u002F\u002Fgithub.com\u002Flyeoni\u002Fnlp-tutorial)  \n* [tensorflow中RNNcell源码分析以及自定义RNNCell的方法](https:\u002F\u002Fblog.csdn.net\u002Fliuchonge\u002Farticle\u002Fdetails\u002F78405185?locationNum=8&fps=1)  \n* [TensorFlow中RNN实现的正确打开方式](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28196873)  \n* [TensorFlow RNN 代码](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27906426)  \n* [Tensorflow实现的深度NLP模型集锦](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67031035)  \n* [用tensorflow LSTM如何预测股票价格](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33186759)  \n* [TensorFlow的多层LSTM实践](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29797089)  \n* [《安娜卡列尼娜》文本生成——利用TensorFlow构建LSTM模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27087310)  \n\n### 图神经网络（GNN）\n\n#### 发展史\n\n* [Graph Neural Network（GNN）综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65539782)  \n* [深度学习时代的图模型，清华发文综述图网络](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzA3MzI4MjgzMw==&mid=2650754422&idx=4&sn=0dc881487f362322a875b4ce06e645f7&chksm=871a8908b06d001ef7386ccc752827c20711877a4a23d6a8318978095dd241d118257c607b22&scene=21#wechat_redirect)  \n* [清华大学图神经网络综述：模型与应用](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzA3MzI4MjgzMw==&mid=2650754558&idx=2&sn=7d79191b9ed30679d5d40e22d9cabdf8&chksm=871a8980b06d00962e0dbe984e1d3469214db31cb402b4725a0dfe330249a830b45cb26932b5&scene=21#wechat_redirect)  \n* [图神经网络概述第三弹：来自IEEE Fellow的GNN综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54241746)  \n* [GNN最全文献资料整理](https:\u002F\u002Fgithub.com\u002FDeepGraphLearning\u002FLiteratureDL4Graph) && [Awesome-Graph-Neural-Networks](https:\u002F\u002Fgithub.com\u002Fnnzhan\u002FAwesome-Graph-Neural-Networks)  \n\n#### 教程\n\n* [如何理解 Graph Convolutional Network（GCN）](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F54504471)  \n* [图卷积网络(GCN)新手村完全指南](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54505069)  \n* [何时能懂你的心——图卷积神经网络（GCN）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F71200936)  \n* [图卷积网络GCN的理解与介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F90470499)  \n* [一文读懂图卷积GCN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F89503068)  \n* [2020 年 GNN 开卷有益与再谈图卷积](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F101310106)  \n* [【GCN】万字长文带你入门 GCN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F120311352)  \n* [如何解决图神经网络（GNN）训练中过度平滑的问题？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F346942899\u002Fanswer\u002F848298494)  \n* [全连接的图卷积网络(GCN)和self-attention这些机制有什么区别联系](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F366088445) && [CNN与GCN的区别、联系及融合](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F147654689)  \n\n#### 实践指南\n\n* [图卷积网络到底怎么做，这是一份极简的Numpy实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57235377)  \n* [DGL](https:\u002F\u002Fdocs.dgl.ai\u002Findex.html)\n\n## 三. 深度模型的优化与正则化\n\n* [1. 优化算法纵览](http:\u002F\u002Ffa.bianp.net\u002Fteaching\u002F2018\u002Feecs227at\u002F)\n* [2. 从梯度下降到Adam](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27449596)\n* [3. 从梯度下降到拟牛顿法：盘点训练神经网络的五大学习算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25703402)\n* [4. 正则化技术总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35429054?group_id=966442942538444800)\n  * [史上最全面的正则化技术总结与分析--part1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35429054?group_id=966442942538444800)\n  * [史上最全面的正则化技术总结与分析--part2](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35432128?group_id=966443101011738624)\n* [权重衰减（weight decay）与学习率衰减（learning rate decay）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38709373) && [pytorch必须掌握的的4种学习率衰减策略](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F93624972)\n* [5. 最优化算法系列（math）](https:\u002F\u002Fblog.csdn.net\u002Fchunyun0716\u002Farticle\u002Fcategory\u002F6188191\u002F2)\n* [6. 神经网络训练中的梯度消失与梯度爆炸](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25631496)        \n* [7. 神经网络的优化及训练](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36050743)\n* [8. 通俗讲解查全率和查准率](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35888543) && [全面梳理：准确率,精确率,召回率,查准率,查全率,假阳性,真阳性,PRC,ROC,AUC,F1](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34079183) && [机器学习之类别不平衡问题 (1) —— 各种评估指标](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34473430) && [机器学习之类别不平衡问题 (2) —— ROC和PR曲线](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34655990) && [AUC详解与python实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F84035782) && [微平均和宏平均](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78628437)  && [机器学习中的性能度量](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F74980268) && [精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F30643044)\n* [激活函数一览](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30567264) && [深度学习中几种常见的激活函数理解与总结](https:\u002F\u002Fwww.cnblogs.com\u002FXDU-Lakers\u002Fp\u002F10557496.html)\n* [深度学习笔记(三)：激活函数和损失函数](https:\u002F\u002Fblog.csdn.net\u002Fu014595019\u002Farticle\u002Fdetails\u002F52562159)\n* [激活函数\u002F损失函数汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30385380)\n* [机器学习中常见的损失函数及其应用场景](https:\u002F\u002Fblog.csdn.net\u002Fzuolixiangfisher\u002Farticle\u002Fdetails\u002F88649110) && [PyTorch的十八个损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61379965)\n* [深度度量学习中的损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F82199561)\n* [反向传播算法（过程及公式推导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51039334)\n* [通俗理解神经网络BP传播算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24801814)\n* [10. Coursera吴恩达《优化深度神经网络》课程笔记（3）-- 超参数调试、Batch正则化和编程框架](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30922689)\n* [11. 机器学习各种熵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35423404)\n* [12. 距离和相似性度量](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27305237)\n* [13. 机器学习里的黑色艺术：normalization, standardization, regularization](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29974820) && [数据标准化\u002F归一化normalization](https:\u002F\u002Fblog.csdn.net\u002Fpipisorry\u002Farticle\u002Fdetails\u002F52247379) && [特征工程中的「归一化」有什么作用？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F20455227)\n* [14. LSTM系列的梯度问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36101196)\n* [15. 损失函数整理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35027284)\n* [16. 详解残差块为何有助于解决梯度弥散问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28124810)\n* [17. FAIR何恺明等人提出组归一化：替代批归一化，不受批量大小限制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34858971)\n* [18. Batch Normalization（BN）]():[1 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F26702482),[2 ](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F50866313),[3 ](https:\u002F\u002Fbbs.cvmart.net\u002Ftopics\u002F576),[4 ](https:\u002F\u002Fblog.csdn.net\u002Fedogawachia\u002Farticle\u002Fdetails\u002F80040456), [5](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38176412), [6](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F38102762), [7](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52132614)\n* [19. 详解深度学习中的Normalization，不只是BN](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33173246) && [如何区分并记住常见的几种 Normalization 算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F69659844)\n* [20. BFGS](https:\u002F\u002Fblog.csdn.net\u002Fphilosophyatmath\u002Farticle\u002Fdetails\u002F70173128)\n* [21. 详解深度学习中的梯度消失、爆炸原因及其解决方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33006526) && [神经网络梯度消失和梯度爆炸及解决办法](https:\u002F\u002Fblog.csdn.net\u002Fprogram_developer\u002Farticle\u002Fdetails\u002F80032376)\n* [22. Dropout](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1207.0580.pdf), [1](https:\u002F\u002Fblog.csdn.net\u002Fstdcoutzyx\u002Farticle\u002Fdetails\u002F49022443), [2](https:\u002F\u002Fblog.csdn.net\u002Fhjimce\u002Farticle\u002Fdetails\u002F50413257), [3](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F50580915)，[系列解读Dropout](https:\u002F\u002Fblog.csdn.net\u002Fshuzfan\u002Farticle\u002Fdetails\u002F50580915)\n* [23.谱归一化（Spectral Normalization）的理解](https:\u002F\u002Fblog.csdn.net\u002FStreamRock\u002Farticle\u002Fdetails\u002F83590347)，[常见向量范数和矩阵范数](https:\u002F\u002Fblog.csdn.net\u002Fleft_la\u002Farticle\u002Fdetails\u002F9159949)，[谱范数正则（Spectral Norm Regularization）的理解](https:\u002F\u002Fblog.csdn.net\u002FStreamRock\u002Farticle\u002Fdetails\u002F83539937)\n* [24.L1正则化与L2正则化](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35356992) && [深入理解L1、L2正则化](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29360425) && [L2正则=Weight Decay？并不是这样](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F40814046) && [都9102年了，别再用Adam + L2 regularization](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63982470)\n* [25.为什么选用交叉熵而不是MSE](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61944055) &&[为什么使用交叉熵作为损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63731947) &&[二元分类为什么不能用MSE做为损失函数？](http:\u002F\u002Fsofasofa.io\u002Fforum_main_post.php?postid=1001792)&& [为什么平方损失函数不适用分类问题？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F319865092)\n* [浅谈神经网络中的梯度爆炸问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32154263)\n* [为什么weight decay能够防止过拟合](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F65626362)\n* [交叉熵代价函数（作用及公式推导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51043064) && [交叉熵损失的来源、说明、求导与pytorch实现](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67782576) && [Softmax函数与交叉熵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27223959) && [极大似然估计与最小化交叉熵损失或者KL散度为什么等价](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F84764177)\n* [梯度下降优化算法纵览](http:\u002F\u002Fruder.io\u002Foptimizing-gradient-descent\u002F), [1](https:\u002F\u002Fblog.csdn.net\u002Fqq_23269761\u002Farticle\u002Fdetails\u002F80901411), [2](https:\u002F\u002Fwww.cnblogs.com\u002Fguoyaohua\u002Fp\u002F8542554.html), [几种优化算法的比较（BGD、SGD、Adam、RMSPROP）](https:\u002F\u002Fblog.csdn.net\u002Fqq_32172681\u002Farticle\u002Fdetails\u002F100979476)\n* **Softmax**：[详解softmax函数以及相关求导过程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25723112)  &&  [softmax的log似然代价函数（公式求导）](https:\u002F\u002Fblog.csdn.net\u002Fu014313009\u002Farticle\u002Fdetails\u002F51045303) && [【技术综述】一文道尽softmax loss及其变种](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34044634)\n* [从最优化的角度看待Softmax损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F45014864)  && [Softmax理解之二分类与多分类](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F45368976) && [Softmax理解之Smooth程度控制](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F49939159) && [Softmax理解之margin](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52108088)\n* **权重初始化**\n  * [神经网络中的权重初始化一览：从基础到Kaiming](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62850258)\n  * [深度学习中常见的权重初始化方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138064188)\n  * [深度学习中神经网络的几种权重初始化方法](https:\u002F\u002Fblog.csdn.net\u002Fu012328159\u002Farticle\u002Fdetails\u002F80025785)\n  * [谈谈神经网络权重为什么不能初始化为0](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F75879624)\n  * [神经网络中的偏置（bias）究竟有这么用？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F305340182)\n  * [深度学习里面的偏置为什么不加正则？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F66894061)\n* [为什么说bagging是减少variance，而boosting是减少bias?](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F26760839)\n\n## 四. 炼丹术士那些事\n\n### 调参经验\n* [训练的神经网络不工作？一文带你跨过这37个坑](https:\u002F\u002Fblog.csdn.net\u002Fjiandanjinxin\u002Farticle\u002Fdetails\u002F77190687)\n* [深度学习（Deep Learning）训练过程中出现NaN问题](https:\u002F\u002Fblog.csdn.net\u002FBVL10101111\u002Farticle\u002Fdetails\u002F76086344)\n* [神经网络训练trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59918821)\n* [你有哪些深度学习（rnn、cnn）调参的经验？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41631631)\n* [生成对抗网络（GAN）的一些小trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27725664)\n* [深度学习与计算机视觉系列(8)_神经网络训练与注意点](https:\u002F\u002Fblog.csdn.net\u002Fhan_xiaoyang\u002Farticle\u002Fdetails\u002F50521064)\n* [神经网络训练loss不下降原因集合](https:\u002F\u002Fblog.csdn.net\u002Fliuweiyuxiang\u002Farticle\u002Fdetails\u002F80856991) && [loss不下降的解决方法](https:\u002F\u002Fblog.csdn.net\u002Fzongza\u002Farticle\u002Fdetails\u002F89185852)\n* [深度学习：欠拟合问题的几种解决方案](https:\u002F\u002Fblog.csdn.net\u002Fu014038273\u002Farticle\u002Fdetails\u002F84108688) && [过拟合和欠拟合问题](https:\u002F\u002Fblog.csdn.net\u002Fmzpmzk\u002Farticle\u002Fdetails\u002F79741682)\n* [机器学习：如何找到最优学习率](https:\u002F\u002Fblog.csdn.net\u002Fwhut_ldz\u002Farticle\u002Fdetails\u002F78882871)及[实现](https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Ftorchlib)\n* [神经网络中 warmup 策略为什么有效](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F338066667)\n* [不平衡数据集处理方法](): [其一](https:\u002F\u002Fmachinelearningmastery.com\u002Ftactics-to-combat-imbalanced-classes-in-your-machine-learning-dataset\u002F), [其二](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F285824343), [其三](https:\u002F\u002Fblog.csdn.net\u002Fsonghk0209\u002Farticle\u002Fdetails\u002F71484469) && [Awesome Imbalanced Learning](https:\u002F\u002Fgithub.com\u002FZhiningLiu1998\u002Fawesome-imbalanced-learning) && [Class-balanced-loss-pytorch](https:\u002F\u002Fgithub.com\u002Fvandit15\u002FClass-balanced-loss-pytorch)\n* [同一个神经网络使用不同激活函数的表达能力是否一致](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41841299)\n* [论文笔记之数据增广：mixup](https:\u002F\u002Fblog.csdn.net\u002Fly244855983\u002Farticle\u002Fdetails\u002F78938667#%E8%AE%A8%E8%AE%BA)\n* [避坑指南：数据科学家新手常犯的13个错误](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F44331706)\t\n* [凭什么相信CNN的结果?--可视化](https:\u002F\u002Fbindog.github.io\u002Fblog\u002F2018\u002F02\u002F10\u002Fmodel-explanation\u002F)\t\t\t\t\n  * [凭什么相信你，我的CNN模型？（篇一：CAM和Grad-CAM)](https:\u002F\u002Fbindog.github.io\u002Fblog\u002F2018\u002F02\u002F10\u002Fmodel-explanation\u002F) && [pytorch-grad-cam](https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-grad-cam) && [Grad-CAM-tensorflow](https:\u002F\u002Fgithub.com\u002Finsikk\u002FGrad-CAM-tensorflow) && [grad-cam.tensorflow](https:\u002F\u002Fgithub.com\u002FAnkush96\u002Fgrad-cam.tensorflow) && [cnn_visualization](https:\u002F\u002Fgithub.com\u002Fjs-fan\u002Fmxnet\u002Ftree\u002Fd2b802e2d2af3dae5b4ac941354602630d2ef1c7\u002Fexample\u002Fcnn_visualization)\n  * [凭什么相信你，我的CNN模型？（篇二：万金油LIME)](http:\u002F\u002Fbindog.github.io\u002Fblog\u002F2018\u002F02\u002F11\u002Fmodel-explanation-2\u002F)\n  * [论文笔记:Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F294ad9ae2e50)\n  * [CV：基于Keras利用训练好的hdf5模型进行目标检测实现输出模型中的表情或性别的gradcam(可视化)](https:\u002F\u002Fblog.csdn.net\u002Fqq_41185868\u002Farticle\u002Fdetails\u002F80323646)\n* [大卷积核还是小卷积核?]() [1](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fd75375dd7ebd), [2](https:\u002F\u002Fblog.csdn.net\u002Fkuangtun9713\u002Farticle\u002Fdetails\u002F79475457)\t\n* [模型可解释性差？你考虑了各种不确定性了吗？](https:\u002F\u002Fbaijiahao.baidu.com\u002Fs?id=1608193373391996908)\n* [炼丹笔记系列]()\n  * [炼丹笔记一：样本不平衡问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56882616)\n  * [炼丹笔记二：数据清洗](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56022212)\n  * [炼丹笔记三：数据增强](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56139575)\n  * [炼丹笔记四：小样本问题](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56365469)\n  * [炼丹笔记五：数据标注](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56443169)\n  * [炼丹笔记六 : 调参技巧](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56745640)\n  * [炼丹笔记七：卷积神经网络模型设计](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F57738934)\n\n### 刷排行榜的小技巧\n\n* [Kaggle 六大比赛最全面解析（上）](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201803\u002FXBjvQriKTyTMPLcz.html)\n\n* [Kaggle 六大比赛最全面解析（下）](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201803\u002Fchz1DNHqgVWNEm5t.html)\n\n#### 图像分类\n\n* [炼丹笔记三：数据增强](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56139575) && [数据增强(Data Augmentation)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41679153)\n* [【技术综述】 深度学习中的数据增强（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38345420) && [【技术综述】深度学习中的数据增强（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38437739)\n* [深度学习数据增广技术一览](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F144921458)\n* [《Bag of Tricks for Image Classification with CNN》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F53324148)&& [pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1812.01187.pdf)\n* [深度神经网络模型训练中的最新tricks总结【原理与代码汇总】](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F66080948) && [神经网络训练trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59918821)\n* [Kaggle解决方案分享]()\n  * [从0上手Kaggle图像分类挑战：冠军解决方案详解](https:\u002F\u002Fwww.itcodemonkey.com\u002Farticle\u002F4898.html)\n  * [Kaggle 冰山图像分类大赛近日落幕，看冠军团队方案有何亮点](https:\u002F\u002Fwww.leiphone.com\u002Fnews\u002F201803\u002Fu40cjEZWArBfFaBm.html)\n  * [【Kaggle冠军分享】图像识别和分类竞赛，数据增强及优化算法](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F_S8EBBJ-u9g_fHp7I3ChMQ?)\n  * [识别座头鲸，Kaggle竞赛第一名解决方案解读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58496385)\n  * [kaggle 首战拿金牌总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60953933)\n  * [16岁高中生夺冠Kaggle地标检索挑战赛！而且竟然是Kaggle老兵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37522227)\n  * [6次Kaggle计算机视觉类比赛赛后感](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37663895)\n  * [Kaggle首战斩获第三-卫星图像识别](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F63275166)\n\n#### 目标检测\n\n* ensemble\n* deformable\n* sync bn\n* ms train\u002Ftest\n* [目标检测任务的优化策略tricks](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56792817)\n* [目标检测小tricks--样本不均衡处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60612064)\n* [汇总|目标检测中的数据增强、backbone、head、neck、损失函数](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F137769687)\n* [目标检测算法中的常见trick](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F39262769)\n* [Bag of Freebies —— 提升目标检测模型性能的免费tricks](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F141878389)\n* [目标检测比赛中的tricks（已更新更多代码解析）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F102817180)\n* [Kaggle：肺癌自动诊断系统3D Deep Leaky Noisy-or Network 论文阅读](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F50158f8daf0d)\n* [干货|大神教你如何参加kaggle比赛——根据CT扫描图预测肺癌](https:\u002F\u002Fyq.aliyun.com\u002Farticles\u002F89312)\n\n## 五. 年度总结\n* [新年大礼包：机器之心2018高分教程合集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F53717510)   \n* [收藏、退出一气呵成，2019年机器之心干货教程都在这里了](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104022144)\n\n## 六. 科研相关\n\n### 深度学习框架\n\n#### Python3.x(先修)\t\t\n\n* [The Python Tutorial](https:\u002F\u002Fdocs.python.org\u002F3\u002Ftutorial\u002F)\n* [廖雪峰Python教程](https:\u002F\u002Fwww.liaoxuefeng.com\u002Fwiki\u002F0014316089557264a6b348958f449949df42a6d3a2e542c000)\n* [菜鸟教程](http:\u002F\u002Fwww.runoob.com\u002Fpython3\u002Fpython3-tutorial.html)     \n* [给深度学习入门者的Python快速教程 - 基础篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24162430)\n* [Python - 100天从新手到大师](https:\u002F\u002Fgithub.com\u002Fjackfrued\u002FPython-100-Days)\n* [Python中读取,显示,保存图片的方法](https:\u002F\u002Fblog.csdn.net\u002Fu010472607\u002Farticle\u002Fdetails\u002F78855816) && [Python的图像打开保存显示的几种方式](https:\u002F\u002Fblog.csdn.net\u002Fweixin_37619439\u002Farticle\u002Fdetails\u002F86559239)\n\n#### Numpy(先修)\n\n* [Quickstart tutorial](https:\u002F\u002Fwww.numpy.org\u002Fdevdocs\u002Fuser\u002Fquickstart.html)\n\n* [Numpy快速入门(Numpy 1.14 官方文档中文翻译)](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F3e566f09a0cf)\n* [Numpy中文文档](https:\u002F\u002Fwww.numpy.org.cn\u002Findex.html)\n* [给深度学习入门者的Python快速教程 - numpy和Matplotlib篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24309547)\n\n#### Opencv-python\n\n* [OpenCV-Python Tutorials](https:\u002F\u002Fopencv-python-tutroals.readthedocs.io\u002Fen\u002Flatest\u002Fpy_tutorials\u002Fpy_tutorials.html)\n* [OpenCV官方教程中文版（For Python）](https:\u002F\u002Fwww.cnblogs.com\u002FUndo-self-blog\u002Fp\u002F8423851.html)\n* [数字图像处理系列](https:\u002F\u002Fblog.csdn.net\u002Ffeilong_csdn\u002Farticle\u002Fcategory\u002F8037591)\n* [python+OpenCV图像处理](https:\u002F\u002Fblog.csdn.net\u002Fqq_40962368\u002Farticle\u002Fcategory\u002F7688903)\n* [给深度学习入门者的Python快速教程 - 番外篇之Python-OpenCV](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24425116)\n\n#### Pandas\n\n* [Python 数据科学入门教程：Pandas](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fd9774cf1fea5?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation)\n\n#### Tensorflow(深度学习框架)\t\t\n\n* [如何高效地学习 TensorFlow 代码](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41667903)\n* [中文教程](http:\u002F\u002Fwww.tensorfly.cn\u002Ftfdoc\u002Ftutorials\u002Foverview.html)\n* [TensorFlow官方文档](https:\u002F\u002Fwww.w3cschool.cn\u002Ftensorflow_python\u002F)\n* [CS20:Tensorflow for DeepLearning Research](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs20si\u002Fsyllabus.html)\n* [吴恩达TensorFlow专项课程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62981537)\n* [【干货】史上最全的Tensorflow学习资源汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35515805?group_id=967136289941897216)\n* [《21个项目玩转深度学习———基于TensorFlow的实践详解》](https:\u002F\u002Fgithub.com\u002Fhzy46\u002FDeep-Learning-21-Examples)  \n* [最全Tensorflow2.0 入门教程持续更新](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59507137)\n* [Github优秀开源教程](https:\u002F\u002Fgithub.com\u002Fsearch?o=desc&q=tensorflow+tutorial&s=&type=Repositories)\n\n#### MXNet(深度学习框架)\t\t\n* [Gluon](http:\u002F\u002Fzh.gluon.ai\u002F#)\n* [GluonCV](https:\u002F\u002Fgluon-cv.mxnet.io\u002Findex.html#)\n* [GluonNLP](http:\u002F\u002Fgluon-nlp.mxnet.io\u002F)\n\n#### PyTorch(深度学习框架)\n\n* [Pytorch版动手学深度学习](https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch)\n* [PyTorch中文文档](https:\u002F\u002Fpytorch-cn.readthedocs.io\u002Fzh\u002Flatest\u002F)\n* [WELCOME TO PYTORCH TUTORIALS](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Findex.html)\n* [史上最全的PyTorch学习资源汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F64895011)\n* [【干货】史上最全的PyTorch学习资源汇总](https:\u002F\u002Fgithub.com\u002FINTERMT\u002FAwesome-PyTorch-Chinese)\n* [Hands-on tour to deep learning with PyTorch](https:\u002F\u002Fmlelarge.github.io\u002Fdataflowr-web\u002Fcea_edf_inria.html)\n* [pytorch学习(五)—图像的加载\u002F读取方式](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fcfca9c4338e7) && [PyTorch—ImageFolder\u002F自定义类 读取图片数据](https:\u002F\u002Fblog.csdn.net\u002Fwsp_1138886114\u002Farticle\u002Fdetails\u002F83620869)\n\n### 深度学习常用命令\n\n* [command_for_deeplearning](https:\u002F\u002Fgithub.com\u002FStephenfang51\u002Fcommand_for_deeplearning\u002Fblob\u002Fmaster\u002Fcommand%20for%20deeplearning.md)\n\n### Python可视化\n\n* [Top 50 matplotlib Visualizations – The Master Plots (with full python code)](https:\u002F\u002Fwww.machinelearningplus.com\u002Fplots\u002Ftop-50-matplotlib-visualizations-the-master-plots-python\u002F)\n* [Python之MatPlotLib使用教程](https:\u002F\u002Fblog.csdn.net\u002Fzhw864680355\u002Farticle\u002Fdetails\u002F102500263)\n* [十分钟上手matplotlib，开启你的python可视化](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FUfvEdzr-ZGmyT08yKDOchA)\n* [给深度学习入门者的Python快速教程 - numpy和Matplotlib篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F24309547)\n\n### 标注工具\n* 目标检测标注工具\n\t* [labelImg](https:\u002F\u002Fgithub.com\u002Ftzutalin\u002FlabelImg)\n* 语义分割标注工具\n\t* [labelme](https:\u002F\u002Fgithub.com\u002Fwkentaro\u002Flabelme)\n\n### 数据集  \t\t\n* [1. 25个深度学习相关公开数据集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35449783)\n* [2. 自然语言处理（NLP）数据集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35423943)\n* [3.全唐诗(43030首)](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1o7QlUhO)\n* [4. 伯克利大学公开数据集](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~taesung_park\u002F)\n* [5. ACL 2018资源：100+ 预训练的中文词向量](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36835964)\n* [6. 预训练中文词向量](https:\u002F\u002Fgithub.com\u002FEmbedding\u002FChinese-Word-Vectors)\n* [7. 公开数据集种子库](http:\u002F\u002Facademictorrents.com)\n* [8. 计算机视觉，深度学习，数据挖掘数据集整理](https:\u002F\u002Fblog.csdn.net\u002Fc20081052\u002Farticle\u002Fdetails\u002F79814082)\n* [9. 计算机视觉著名数据集CV Datasets](https:\u002F\u002Fblog.csdn.net\u002Faccepthjp\u002Farticle\u002Fdetails\u002F51831026)\n* [10. 计算机视觉相关数据集和比赛](https:\u002F\u002Fblog.csdn.net\u002FNNNNNNNNNNNNY\u002Farticle\u002Fdetails\u002F68485160)\n* [11. 这是一份非常全面的开源数据集，你，真的不想要吗？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F43846002)\n* [12. 人群密度估计现有主要数据集特点及其比较](https:\u002F\u002Fblog.csdn.net\u002Fweixin_40516558\u002Farticle\u002Fdetails\u002F81564464)\n* [13. DANBOORU2017: A LARGE-SCALE CROWDSOURCED AND TAGGED ANIME ILLUSTRATION DATASET](https:\u002F\u002Fwww.gwern.net\u002FDanbooru2017)\n* [14. 行人重识别数据集](http:\u002F\u002Frobustsystems.coe.neu.edu\u002Fsites\u002Frobustsystems.coe.neu.edu\u002Ffiles\u002Fsystems\u002Fprojectpages\u002Freiddataset.html)\n* [15. 自然语言处理常见数据集、论文最全整理分享](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F56144877)\n* [16. paper, code, sota](https:\u002F\u002Fpaperswithcode.com\u002F)\n* [17. 旷视RPC大型商品数据集发布！](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F55627416)\n* [18. CVPR 2019「准满分」论文：英伟达推出首个跨摄像头汽车跟踪数据集(汽车Re-ID)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F60617001)\n* [19.【OCR技术】大批量生成文字训练集](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F59052013)\n* [20. 语义分析数据集-MSRA](https:\u002F\u002Fgithub.com\u002Fmsra-nlc\u002FMSParS)\n* [IEEE DataPort](https:\u002F\u002Fieee-dataport.org\u002F)\n* [数据集市](http:\u002F\u002Fwww.shujujishi.com\u002F)\n* [医疗\u002F医学图像数据集]()：[Medical Data for Machine Learning](https:\u002F\u002Fgithub.com\u002Fbeamandrew\u002Fmedical-data) && [医疗领域图像挑战赛数据集](https:\u002F\u002Fgrand-challenge.org\u002Fchallenges\u002F) && [【医学影像系列：一】数据集合集 最新最全](https:\u002F\u002Fblog.csdn.net\u002Fqq_31622015\u002Farticle\u002Fdetails\u002F90573874) && [medical-imaging-datasets](https:\u002F\u002Fgithub.com\u002Fsfikas\u002Fmedical-imaging-datasets) && [【数据集】一文道尽医学图像数据集与竞赛](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F50615907) && [医学图像数据集汇总](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F102855802)\n\n### 记笔记工具\n\n* [Markdown编辑器：Typora介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67153848) \n* [Markdown语法介绍（常用）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F47897214)\n* [Markdown 语法手册 （完整整理版）](https:\u002F\u002Fblog.csdn.net\u002Fwitnessai1\u002Farticle\u002Fdetails\u002F52551362)\n* [Markdown中Latex 数学公式基本语法](https:\u002F\u002Fblog.csdn.net\u002Fu014630987\u002Farticle\u002Fdetails\u002F70156489)\n\n### 会议期刊列表\n\n* [国际会议日期表](https:\u002F\u002Fgithub.com\u002FJackieTseng\u002Fconference_call_for_paper)\n* [ai-deadlines](https:\u002F\u002Fgithub.com\u002Fabhshkdz\u002Fai-deadlines\u002F)\n* [Keep Up With New Trends](https:\u002F\u002Fhandong1587.github.io\u002Fdeep_learning\u002F2017\u002F12\u002F18\u002Fkeep-up-with-new-trends.html)\n* [计算机会议排名等级](https:\u002F\u002Fblog.csdn.net\u002Fcserchen\u002Farticle\u002Fdetails\u002F40508181)\n* [中国计算机学会(CCF)推荐国际学术刊物和会议](https:\u002F\u002Fwww.ccf.org.cn\u002FAcademic_Evaluation\u002FBy_category\u002F)\n\n### 论文写作工具\n* [Windows: Texlive+Texstudio](https:\u002F\u002Fjingyan.baidu.com\u002Farticle\u002Fb2c186c83c9b40c46ff6ff4f.html)\n* [Ubuntu: Texlive+Texmaker](https:\u002F\u002Fjingyan.baidu.com\u002Farticle\u002F7c6fb4280b024180642c90e4.html)\n* [Latex：基本用法、表格、公式、算法](https:\u002F\u002Fblog.csdn.net\u002Fquiet_girl\u002Farticle\u002Fdetails\u002F72847208)\n* [LaTeX 各种命令，符号](https:\u002F\u002Fblog.csdn.net\u002Fgarfielder007\u002Farticle\u002Fdetails\u002F51646604)\n\n### 论文画图工具\n* [Visio2016](https:\u002F\u002Fmsdn.itellyou.cn\u002F)\n* [Matplotlib](#Python可视化)\n\n### 论文写作教程  \n* [刘知远_如何写一篇合格的NLP论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58752815)  \n* [刘洋_如何写论文_V7](http:\u002F\u002Fnlp.csai.tsinghua.edu.cn\u002F~ly\u002Ftalks\u002Fcwmt14_tut.pdf)  \n* [如何端到端地写科研论文-邱锡鹏](https:\u002F\u002Fxpqiu.github.io\u002Fslides\u002F20181019-PaperWriting.pdf)  \n* [论文Introduction写作其一](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F33876355), [论文Introduction写作其二](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52494933), [论文Introduction写作其三](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52494879)  \n* [毕业论文怎么写](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fc_179195484)  \n* [浅谈学术论文rebuttal](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104298923) && [学术论文投稿与返修（Rebuttal）分享](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F344008879)  \n* [研之成理写作实验室](https:\u002F\u002Fzhuanlan.zhihu.com\u002Frationalscience-writing-lab)  \n* [智源论坛·论文写作专题报告会]()：[《论文写作小白的成长之路》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F135989892) && [《谈如何写一篇合格的国际学术论文》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F136005095) && [《计算机视觉会议论文从投稿到接收》](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F139571199)  \n\n### ResearchGos  \n\n* [ResearchGo:研究生活第一帖——文献检索与管理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22323250?refer=wjdml)  \n* [ResearchGo:研究生活第二贴——文献阅读](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22402393?refer=wjdml)  \n* [ResearchGo:研究生活第三帖——阅读辅助](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22622502?refer=wjdml)  \n* [ResearchGo:研究生活第四帖——文献调研](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23178836?refer=wjdml)  \n* [ResearchGo:研究生活第五帖——文献综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23356843?refer=wjdml)  \n* [ResearchGo:研究生活第六帖——如何讲论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F23872063?refer=wjdml)  \n* [ResearchGo:研究生活第七帖——专利检索与申请](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25191025)  \n* [ResearchGo:研究生活第八帖——写论文、做PPT、写文档必备工具集锦](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62100815)  \n\n### 毕业论文排版  \n\n* [吐血推荐收藏的学位论文排版教程（完整版）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F52495345)  \n* [论文怎么写——如何修改毕业论文格式](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35951260)  \n\n_____\n\n______\n\n## 信号处理  \n\n### 傅里叶变换  \n\n* [傅里叶分析之掐死教程（完整版）更新于2014.06.06](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F19763358)  \n* [如何简明的总结傅里叶变换？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F34899574\u002Fanswer\u002F612923473)  \n* [从连续时间傅里叶级数到快速傅里叶变换](https:\u002F\u002Fblog.csdn.net\u002Fclover13\u002Farticle\u002Fdetails\u002F79469851)  \n* [十分简明易懂的FFT（快速傅里叶变换）](https:\u002F\u002Fblog.csdn.net\u002Fenjoy_pascal\u002Farticle\u002Fdetails\u002F81478582)  \n* [傅里叶级数推导过程](https:\u002F\u002Fblog.csdn.net\u002Fhanxiaohu88\u002Farticle\u002Fdetails\u002F8245687)  \n\n### 小波变换  \n\n* [形象易懂讲解算法I——小波变换](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F22450818)  \n\n* [小波变换完美通俗讲解系列之 （一）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F44215123) && [小波变换完美通俗讲解系列之 （二）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F44217268)  \n\n#### 实战  \n* [MWCNN中使用的haar小波变换 pytorch](https:\u002F\u002Fwww.cnblogs.com\u002Fwanghui-garcia\u002Fp\u002F12524515.html)  \n* [【小波变换】小波变换入门----haar小波](https:\u002F\u002Fblog.csdn.net\u002Fbaidu_27643275\u002Farticle\u002Fdetails\u002F84826773)  \n* [（3）小波变换原理及应用](https:\u002F\u002Fblog.csdn.net\u002Fhhaowang\u002Farticle\u002Fdetails\u002F82909332)  \n* [图像处理-小波变换](https:\u002F\u002Fblog.csdn.net\u002Fqq_30815237\u002Farticle\u002Fdetails\u002F89704855)  \n\n## 机器学习理论与实战  \n\n* [机器学习原理](https:\u002F\u002Fgithub.com\u002Fshunliz\u002FMachine-Learning):star:  \n* [ID3、C4.5、CART、随机森林、bagging、boosting、Adaboost、GBDT、xgboost算法总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34534004)  \n* [数据挖掘十大算法简要说明](http:\u002F\u002Fwww.cnblogs.com\u002Fen-heng\u002Fp\u002F5013995.html)，[机器学习十大经典算法入门](https:\u002F\u002Fblog.csdn.net\u002Fqq_42379006\u002Farticle\u002Fdetails\u002F80741808) && [【算法模型】轻松看懂机器学习十大常用算法](https:\u002F\u002Fwww.cnblogs.com\u002Fljt1412451704\u002Fp\u002F9678248.html)  \n* [AdaBoost到GBDT系列]()  \n  * [当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25096501?refer=data-miner)  \n  * [当我们在谈论GBDT：Gradient Boosting 用于分类与回归](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25257856?refer=data-miner)  \n  * [当我们在谈论GBDT：其他 Ensemble Learning 算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25443980)  \n\n### 机器学习理论篇之经典算法  \n\n#### 信息论  \n* [1. 机器学习中的各种熵](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35423404)      \n* [2. 从香农熵到手推KL散度：纵览机器学习中的信息论](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F32985487)  \n\n#### 多层感知机(MLP)  \n* [多层感知机（MLP）学习与总结博客](https:\u002F\u002Fblog.csdn.net\u002Fbaidu_33718858\u002Farticle\u002Fdetails\u002F84972537)  \n* [多层感知机：Multi-Layer Perceptron](https:\u002F\u002Fblog.csdn.net\u002Fxholes\u002Farticle\u002Fdetails\u002F78461164)  \n* [神经网络基础-多层感知器(MLP)](https:\u002F\u002Fblog.csdn.net\u002Fweixin_38206214\u002Farticle\u002Fdetails\u002F81137911)  \n\n#### k近邻(KNN)  \n\n* [机器学习之KNN（k近邻）算法详解](https:\u002F\u002Fblog.csdn.net\u002Fsinat_30353259\u002Farticle\u002Fdetails\u002F80901746)  \n\n#### k均值(K-means)  \n\n* [Kmeans聚类算法详解](https:\u002F\u002Fblog.csdn.net\u002Fqq_32892383\u002Farticle\u002Fdetails\u002F80107795)  \n\n#### 朴素贝叶斯(Naive Bayesian)  \n\n* [一个例子搞清楚（先验分布\u002F后验分布\u002F似然估计）](https:\u002F\u002Fblog.csdn.net\u002Fqq_23947237\u002Farticle\u002Fdetails\u002F78265026)  \n* [朴素贝叶斯分类器（Naive Bayesian Classifier）](https:\u002F\u002Fblog.csdn.net\u002Fqq_32690999\u002Farticle\u002Fdetails\u002F78737393)  \n* [朴素贝叶斯分类器 详细解析](https:\u002F\u002Fblog.csdn.net\u002Fqq_17073497\u002Farticle\u002Fdetails\u002F81076250)  \n\n#### 决策树(Decision Tree)  \n* [最常见核心的决策树算法详细介绍，含ID3、C4.5、CART:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FlXaPZyNrgG9LBv-JHdGm9A) && [最常用的决策树算法！Random Forest、Adaboost、GBDT 算法:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNl_-PdF0nHBq8yGp6AdI-Q) && [终于有人把XGBoost 和 LightGBM 讲明白了，项目中最主流的集成算法！:star:](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FLoX987dypDg8jbeTJMpEPQ)  \n* [为什么xgboost要用泰勒展开，优势在哪里](http:\u002F\u002Fblog.itblood.com\u002F4082.html)  \n* [Python3《机器学习实战》学习笔记（二）：决策树基础篇之让我们从相亲说起](https:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F75663451)  \n* [Python3《机器学习实战》学习笔记（三）：决策树实战篇之为自己配个隐形眼镜](https:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Farticle\u002Fdetails\u002F76262487)  \n* [机器学习实战教程（十三）：树回归基础篇之CART算法与树剪枝](http:\u002F\u002Fcuijiahua.com\u002Fblog\u002F2017\u002F12\u002Fml_13_regtree_1.html)  \n* [《机器学习实战》基于信息论的三种决策树算法(ID3,C4.5,CART)](https:\u002F\u002Fblog.csdn.net\u002Fgamer_gyt\u002Farticle\u002Fdetails\u002F51242815)  \n* [说说决策树剪枝算法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31404571)  \n* [机器学习实战 第九章 树回归](https:\u002F\u002Fblog.csdn.net\u002Fnamelessml\u002Farticle\u002Fdetails\u002F52595066)  \n* [决策树值ID3、C4.5实现](https:\u002F\u002Fblog.csdn.net\u002Fu014688145\u002Farticle\u002Fdetails\u002F53212112)  \n* [决策树之CART实现](https:\u002F\u002Fblog.csdn.net\u002Fu014688145\u002Farticle\u002Fdetails\u002F53326910)  \n\n#### 随机森林(Random Forest)  \n* [随机森林和GBDT的区别](https:\u002F\u002Fblog.csdn.net\u002Flogin_sonata\u002Farticle\u002Fdetails\u002F73929426)  \n* [随机森林（Random Forest）入门与实战](https:\u002F\u002Fblog.csdn.net\u002Fsb19931201\u002Farticle\u002Fdetails\u002F52601058)  \n* [随机森林之特征选择](https:\u002F\u002Fwww.cnblogs.com\u002Fjustcxtoworld\u002Fp\u002F3447231.html)  \n\n#### 线性回归（Linear Regression）  \n\n* [线性回归最小二乘法和最大似然估计](https:\u002F\u002Fblog.csdn.net\u002Flt793843439\u002Farticle\u002Fdetails\u002F91392646)  \n* [【从入门到放弃】线性回归](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F147297924)  \n* [线性回归(频率学派-最大似然估计)与岭回归(贝叶斯角度-最大后验估计)的概率解释](https:\u002F\u002Fblog.csdn.net\u002Fz_feng12489\u002Farticle\u002Fdetails\u002F101388745)  \n* [机器学习笔记四：线性回归回顾与logistic回归](https:\u002F\u002Fblog.csdn.net\u002Fxierhacker\u002Farticle\u002Fdetails\u002F53316138)  \n\n#### 逻辑回归(Logistic Regression)  \n\n* [【机器学习面试总结】—— LR（逻辑回归）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100763009)  \n* [【机器学习面试题】逻辑回归篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62653034)  \n* [极大似然概率和最小损失函数，以及正则化简介](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F9d2686cd407e)  \n* [GLM(广义线性模型) 与 LR(逻辑回归) 详解](https:\u002F\u002Fblog.csdn.net\u002FCdd2xd\u002Farticle\u002Fdetails\u002F75635688)\n\n#### 支持向量机(SVM) \n* [【机器学习面试总结】—— SVM](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F93715996)\n* [SVM系列-从基础到掌握](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61123737)\n* [SVM通俗导论 July](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002F%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%E9%80%9A%E4%BF%97%E5%AF%BC%E8%AE%BA%EF%BC%88%E7%90%86%E8%A7%A3SVM%E7%9A%84%E4%B8%89%E5%B1%82%E5%A2%83%E7%95%8C%EF%BC%89LaTeX%E6%9C%80%E6%96%B0%E7%89%88_2015.1.9.pdf) \n* [核函数 ](): [机器学习有很多关于核函数的说法，核函数的定义和作用是什么？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F24627666) && [SVM中，高斯核为什么会把原始维度映射到无穷多维？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F35602879) && [svm核函数的理解和选择](https:\u002F\u002Fblog.csdn.net\u002Fleonis_v\u002Farticle\u002Fdetails\u002F50688766) && [核函数和径向基核函数 (Radial Basis Function)--RBF](https:\u002F\u002Fblog.csdn.net\u002Fhuang1024rui\u002Farticle\u002Fdetails\u002F51510611) && [SVM核函数](https:\u002F\u002Fblog.csdn.net\u002Fxiaowei_cqu\u002Farticle\u002Fdetails\u002F35993729)\n\n#### 提升方法(Adaboost)\n\n* [当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25096501)\n\n#### 梯度提升决策树(GBDT)\n* [LightGBM大战XGBoost](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35645973)\n* [概述XGBoost、Light GBM和CatBoost的同与不同](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34698733)    && [XGBoost、LightGBM、Catboost总结](https:\u002F\u002Fwww.cnblogs.com\u002Flvdongjie\u002Fp\u002F11391245.html) && [XGBoost、Light GBM和CatBoost的参数及性能比较](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34698733)\n* [梯度提升决策树](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36339161)\n* [GBDT原理及应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30339807)\n* [XGBOOST原理篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F31654000)\n* [xgboost入门与实战（原理篇）](https:\u002F\u002Fblog.csdn.net\u002Fsb19931201\u002Farticle\u002Fdetails\u002F52557382) && [xgboost入门与实战（实战调参篇）](https:\u002F\u002Fblog.csdn.net\u002Fsb19931201\u002Farticle\u002Fdetails\u002F52577592)\n* [【干货合集】通俗理解kaggle比赛大杀器xgboost](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41417638)\n* [GBDT分类的原理及Python实现](https:\u002F\u002Fblog.csdn.net\u002Fbf02jgtrs00xktcx\u002Farticle\u002Fdetails\u002F82719765)\n* [GBDT原理及利用GBDT构造新的特征-Python实现](https:\u002F\u002Fblog.csdn.net\u002Fshine19930820\u002Farticle\u002Fdetails\u002F71713680)\n* [Python+GBDT算法实战——预测实现100%准确率](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F47e73a985ba1)\n* [xgboost之近似分位数算法（直方图算法）详解](https:\u002F\u002Fblog.csdn.net\u002Fm0_37870649\u002Farticle\u002Fdetails\u002F104561431)\n\n#### EM(期望最大化)\t\t\t\n* [人人都懂的EM算法 ](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F36331115)\n* [EM算法入门文章](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61768577)                      \n\n#### 高斯混合模型(GMM)\n* [高斯混合模型与EM算法的数学原理及应用实例](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F67107370)\n* [高斯混合模型（GMM）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30483076)\n\n#### 马尔科夫决策过程(MDP)\t\t\n* [马尔科夫决策过程之Markov Processes（马尔科夫过程）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35124726)\n* [马尔科夫决策过程之Markov Reward Process（马尔科夫奖励过程）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35231424)\n* [马尔科夫决策过程之Bellman Equation（贝尔曼方程）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35261164)\n* [马尔科夫决策过程之Markov Decision Process(马尔科夫决策过程)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35354956)\n* [马尔科夫决策过程之最优价值函数与最优策略](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35373905)\n\n#### 条件随机场(CRF, 判别式模型)\n* [如何轻松愉快地理解条件随机场](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F104562658)\n* [如何用简单易懂的例子解释条件随机场（CRF）模型？它和HMM有什么区别？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F35866596)\n* [HMM ,MHMM,CRF 优缺点与区别](https:\u002F\u002Fblog.csdn.net\u002Fu013378306\u002Farticle\u002Fdetails\u002F55213029)\n\n#### 降维算法\n* [数据降维算法-从PCA到LargeVis](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62470700)\n* [12种降维方法终极指南（含Python代码）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F43225794)\n\n#### 主成分分析(PCA)\n* [主成分分析（PCA）原理详解](https:\u002F\u002Fblog.csdn.net\u002Fprogram_developer\u002Farticle\u002Fdetails\u002F80632779)\n* [图文并茂的PCA教程](https:\u002F\u002Fblog.csdn.net\u002Fhustqb\u002Farticle\u002Fdetails\u002F78394058)\n* [PCA数学原理](http:\u002F\u002Fwww.360doc.com\u002Fcontent\u002F13\u002F1124\u002F02\u002F9482_331688889.shtml)\n\n#### 奇异值分解(SVD)\n* [强大的矩阵奇异值分解(SVD)及其应用](https:\u002F\u002Fwww.cnblogs.com\u002FLeftNotEasy\u002Farchive\u002F2011\u002F01\u002F19\u002Fsvd-and-applications.html)\n* [奇异值分解（SVD）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F29846048)\n* [奇异值分解(SVD)原理详解及推导](https:\u002F\u002Fblog.csdn.net\u002Fzhongkejingwang\u002Farticle\u002Fdetails\u002F43053513)    \n* [SVD在推荐系统中的应用详解以及算法推导](https:\u002F\u002Fblog.csdn.net\u002Fzhongkejingwang\u002Farticle\u002Fdetails\u002F43083603)\n\n#### 线性判别分析(LDA)\n* [教科书上的LDA为什么长这个样子？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F42238953)\n\n#### 标签传播算法(Label Propagation Algorithm)    \n* [标签传播算法（Label Propagation）及Python实现](https:\u002F\u002Fblog.csdn.net\u002Fzouxy09\u002Farticle\u002Fdetails\u002F49105265)\n    * [参考资料](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fbooks\u002FSemi-Supervised%20Learning%20with%20Graphs.pdf)\n\n#### 蒙塔卡罗树搜索(MCTS)\n* [蒙特卡洛树搜索入门指南](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34950988)\n\n#### 集成(Ensemble)\n\n* [集成学习之bagging,stacking,boosting概念理解](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41809927) && [Bagging和Boosting的总结](https:\u002F\u002Fwww.zhihu.com\u002Ffollow)\n\n* [集成学习法之bagging方法和boosting方法](https:\u002F\u002Fblog.csdn.net\u002Fqq_30189255\u002Farticle\u002Fdetails\u002F51532442)\n* [Bagging,Boosting,Stacking](https:\u002F\u002Fblog.csdn.net\u002FMr_tyting\u002Farticle\u002Fdetails\u002F72957853) && [常用的模型集成方法介绍：bagging、boosting 、stacking](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F65888174)\n\n#### t分布随机邻居嵌入(TSNE)\n* [流形学习-高维数据的降维与可视化](https:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45920827)\n* [tSNE](https:\u002F\u002Fblog.csdn.net\u002Fflyingzhan\u002Farticle\u002Fdetails\u002F79521765)\n* [使用t-SNE可视化图像embedding](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F81400277)\n\n#### 谱聚类(Spectral Clustering)\n* [谱聚类（Spectral Clustering）算法介绍](https:\u002F\u002Fblog.csdn.net\u002Fqq_24519677\u002Farticle\u002Fdetails\u002F82291867)\n* [聚类5--谱和谱聚类](https:\u002F\u002Fblog.csdn.net\u002Fxueyingxue001\u002Farticle\u002Fdetails\u002F51966980)\n\n#### 异常点检测\n* [数据挖掘中常见的「异常检测」算法有哪些？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F280696035\u002Fanswer\u002F417091151)\n* [异常点检测算法综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F30169110)\n* [异常检测的N种方法，其中有一个你一定想不到](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FRYLlUJiYbWqGIhzflbRGEg)\n* [异常检测资源汇总：anomaly-detection-resources](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F158349346)\n\n\n\n### 机器学习实战篇\n* [机器学习中，有哪些特征选择的工程方法？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F28641663) && [机器学习（四）：数据预处理--特征工程概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F103070096) && [特征工程完全手册 - 从预处理、构造、选择、降维、不平衡处理，到放弃](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F94994902) && [特征工程中的「归一化」有什么作用](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F20455227)\n* [15分钟带你入门sklearn与机器学习——分类算法篇](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=Mzg5NzAxMDgwNg==&mid=2247484110&idx=1&sn=b016e270d7b7707e6ad41a81ca45fc28&chksm=c0791fd7f70e96c103a8a2aebee166ce14f5648b3b889dd85dd9786f48b6b8269f11e5e27e1c&scene=21#wechat_redirect) && [如何为你的回归问题选择最合适的机器学习方法？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F62034592)\n* [十分钟上手sklearn：安装，获取数据，数据预处理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F105039597) && [十分钟上手sklearn：特征提取，常用模型，交叉验证](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F105041301)\n* [MachineLearning_Python](https:\u002F\u002Fgithub.com\u002Flawlite19\u002FMachineLearning_Python)\n* [Machine Learning Course with Python](https:\u002F\u002Fgithub.com\u002Fmachinelearningmindset\u002Fmachine-learning-course)\n* [Statistical-Learning-Method_Code](https:\u002F\u002Fgithub.com\u002FDod-o\u002FStatistical-Learning-Method_Code)\n* [Python3机器学习](https:\u002F\u002Fblog.csdn.net\u002Fc406495762\u002Fcolumn\u002Finfo\u002F16415)\n* [含大牛总结的分类模型一般需要调节的参数](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F9d2452fc93c2)\n\n\n## 机器学习、深度学习的一些研究方向\n\n### 多任务学习(Multi-Task Learning)\n* [模型汇总-14 多任务学习-Multitask Learning概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27421983)\n* [(译)深度神经网络的多任务学习概览(An Overview of Multi-task Learning in Deep Neural Networks)](http:\u002F\u002Fwww.cnblogs.com\u002Fshuzirank\u002Fp\u002F7141017.html)\n* [Multi-task Learning and Beyond: 过去，现在与未来](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138597214)；\n\n### 零次学习(Zero Shot Learning)\n* [零次学习（Zero-Shot Learning）入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34656727)\n\n### 小样本学习（Few-Shot Learning）\n\n* [小样本学习（Few-Shot Learning）是什么](https:\u002F\u002Fblog.csdn.net\u002Fxhw205\u002Farticle\u002Fdetails\u002F79491649)\n* [零次学习（Zero-Shot Learning）入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34656727)\n* [小样本学习（Few-shot Learning）综述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F61215293)\n* [Few-Shot Learning in CVPR 2019](https:\u002F\u002Ftowardsdatascience.com\u002Ffew-shot-learning-in-cvpr19-6c6892fc8c5)\n* [当小样本遇上机器学习 fewshot learning](https:\u002F\u002Fblog.csdn.net\u002Fmao_feng\u002Farticle\u002Fdetails\u002F78939864)\n\n### 多视角学习（Multi-View Learning）\n* [Multi-view Learning 多视角学习入门](https:\u002F\u002Fblog.csdn.net\u002Fdanliwoo\u002Farticle\u002Fdetails\u002F79278574)\n* [多视角学习 (Multi-View Learning)](https:\u002F\u002Fblog.csdn.net\u002Fshine19930820\u002Farticle\u002Fdetails\u002F77426599)\n\n### 嵌入（Embedding）\n\n* [万物皆嵌入（Embedding），从经典的word2vec到深度学习基本操作item2vec](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F53194407)\n* [YJango的Word Embedding--介绍](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27830489)\n\n### 迁移学习（Transfer Learning）\t\t\n* [1. 迁移学习：经典算法解析](https:\u002F\u002Fblog.csdn.net\u002Flinolzhang\u002Farticle\u002Fdetails\u002F73358219)\n* [2. 什么是迁移学习 (Transfer Learning)？这个领域历史发展前景如何？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F41979241)\n* [3. 迁移学习个人笔记](https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FDeepLearning\u002Fblob\u002Fmaster\u002Fnotes\u002F日常阅读笔记\u002F2018_4_12_迁移学习.pdf)  \n* [迁移学习总结(One Shot Learning, Zero Shot Learning)](https:\u002F\u002Fblog.csdn.net\u002FXJTU_NOC_Wei\u002Farticle\u002Fdetails\u002F77850221)\n\n### 领域适应性（Domain Adaptation）\n\n* [Domain Adaptation视频教程（附PPT）及经典论文分享](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27519182)\n* [模型汇总15 领域适应性Domain Adaptation、One-shot\u002Fzero-shot Learning概述](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27449079)\n* [【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）](https:\u002F\u002Fblog.csdn.net\u002Fmao_xiao_feng\u002Farticle\u002Fdetails\u002F54426101)\n* [【论文阅读笔记】基于反向传播的无监督域自适应研究](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37298073)\n* [【Valse大会首发】领域自适应及其在人脸识别中的应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F21441807)\n* [CVPR 2018：基于域适应弱监督学习的目标检测](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F41126114)\n\n### 元学习（Meta Learning）\t\t\n\n* [OpenAI提出新型元学习方法EPG，调整损失函数实现新任务上的快速训练](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35869158?group_id=970310501209645056)      \n\n### 强化学习（Reinforcement Learning）\t\n\n* [强化学习（Reinforcement Learning）知识整理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25498081)\n* [强化学习从入门到放弃的资料](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34918639)\n* [强化学习入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25498081)\n    * [强化学习入门 第一讲 MDP](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25498081)\n* [强化学习——从Q-Learning到DQN到底发生了什么？](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35882937)\n* [从强化学习到深度强化学习（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35688924)                  \n* [从强化学习到深度强化学习（下）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F35965070)\n* [一文带你理解Q-Learning的搜索策略](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37048004)\n\n### 推荐系统（Recommendation System）\n\n#### 论文列表\n\n* [Embedding从入门到专家必读的十篇论文](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F58805184)\n* [Reco-papers](https:\u002F\u002Fgithub.com\u002Fwzhe06\u002FReco-papers)\n* [Ad-papers](https:\u002F\u002Fgithub.com\u002Fwzhe06\u002FAd-papers)\n* [deep-recommender-system](https:\u002F\u002Fgithub.com\u002Fchocoluffy\u002Fdeep-recommender-system)\n* [CTR预估系列入门手册](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F243243145)\n\n#### 教程\n\n* [推荐系统从入门到接着入门](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27502172)\n* [深度学习推荐系统笔记](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F133528693)\n* [推荐系统干货总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34004488)\n* [入门推荐系统，你不应该错过的知识清单](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F54819505)\n* [从零开始了解推荐系统全貌](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F259985388)\n* [推荐系统玩家 之 推荐系统入门——推荐系统的发展历程（上）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F148207613)\n* [推荐系统技术演进趋势：从召回到排序再到重排](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F100019681)\n* [深入理解推荐系统：召回](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F115690499) && [深入理解推荐系统：排序](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138235048)   \n* [召回算法有哪些](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F423384620\u002Fanswer\u002F1687201890)\n* [《深度学习推荐系统》总结系列一](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F138446984) && [《深度学习推荐系统》总结系列二](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F140894123)\n* [推荐系统--完整的架构设计和算法(协同过滤、隐语义)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F81752025) && [从0到1打造推荐系统-架构篇](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F123951784)\n* [协同过滤和基于内容推荐有什么区别？](https:\u002F\u002Fwww.zhihu.com\u002Fquestion\u002F19971859)\n* [CTR深度交叉特征入门总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F257895631)\n* [推荐系统学习笔记](https:\u002F\u002Fblog.csdn.net\u002Fwuzhongqiang\u002Fcategory_10128687.html)\n\n#### 实战\n\n* [ AI-RecommenderSystem](https:\u002F\u002Fgithub.com\u002Fzhongqiangwu960812\u002FAI-RecommenderSystem)\n* [team-learning-rs](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fteam-learning-rs)\n* [RecommendSystemPractice](https:\u002F\u002Fgithub.com\u002FMagic-Bubble\u002FRecommendSystemPractice)\n* [Surprise](http:\u002F\u002Fsurpriselib.com\u002F)\n\n\u003Ca name=\"思维导图\">\u003C\u002Fa>\n## 从Python到AI\n\n![K同学啊 -  从Python开始学AI](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_ca7f4d0e35a6.png)\n\n[**脑图在线编辑地址 📝**](https:\u002F\u002Fwww.processon.com\u002Fview\u002Flink\u002F616d2ee45653bb06f69f4543)\n\n\u003Ca name=\"微信\">\u003C\u002Fa>  \u003Ca name=\"公众号\">\u003C\u002Fa>\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_readme_e677b9ccc5a8.png)","# Python-AI 快速上手指南\n\n## 环境准备\n- **系统要求**：Windows\u002FLinux\u002FmacOS（推荐 Python 3.7+）\n- **前置依赖**：\n  - Python 环境（推荐使用 [Anaconda](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002F)）\n  - pip 工具（建议配置 [清华镜像源](https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple)）\n  - 深度学习框架（根据需求选择 TensorFlow\u002FPyTorch）\n\n## 安装步骤\n1. **配置国内镜像源**  \n   ```bash\n   pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n2. **安装核心依赖**  \n   ```bash\n   pip install numpy pandas matplotlib scikit-learn\n   ```\n\n3. **安装深度学习框架（任选其一）**  \n   ```bash\n   # TensorFlow（GPU版）\n   pip install tensorflow\n   # PyTorch（CUDA 11.8）\n   pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n   ```\n\n## 基本使用\n以下为典型 CNN 图像分类示例（基于 TensorFlow）：\n```python\nimport tensorflow as tf\nfrom tensorflow.keras import layers, datasets\n\n# 加载数据\n(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()\nx_train = x_train.reshape(-1, 28, 28, 1).astype(\"float32\") \u002F 255.0\n\n# 构建模型\nmodel = tf.keras.Sequential([\n    layers.Conv2D(32, 3, activation='relu', input_shape=(28, 28, 1)),\n    layers.MaxPooling2D(),\n    layers.Flatten(),\n    layers.Dense(10, activation='softmax')\n])\n\n# 编译训练\nmodel.compile(optimizer='adam',\n              loss='sparse_categorical_crossentropy',\n              metrics=['accuracy'])\nmodel.fit(x_train, y_train, epochs=5, batch_size=32)\n```\n\n> **提示**：完整示例代码可在 [深度学习100例-第1天](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FTR13H-gTqlWKTzIhPATsaw) 查看","某三甲医院影像科医生张明正在开发一款辅助诊断系统，需要实现肺部CT影像的结节分类任务。他需要在短时间内掌握深度学习技术并完成模型开发。\n\n### 没有 Python-AI 时\n- 需要从零开始收集CT影像数据集，手动标注结节特征耗时数周\n- 查阅多篇论文后仍难以复现经典网络结构（如ResNet），代码实现存在版本兼容问题\n- 调参过程缺乏指导，GPU资源浪费在无效的超参数组合上\n- 遇到数据增强、模型过拟合等常见问题时，需反复查阅技术博客寻找解决方案\n\n### 使用 Python-AI 后\n- 直接调用项目中预置的肺部CT数据集（已包含标注信息），3分钟完成数据加载\n- 通过《深度学习100例》第8天的ResNet-50教程，快速搭建出可运行的鸟类识别迁移学习框架\n- 利用项目提供的学习率衰减策略和早停机制，训练效率提升40%\n- 参考第12天验证码识别案例中的数据增强方案，将验证集准确率提升12%\n\n核心价值：Python-AI 通过提供结构化教程、可复用代码模板和预处理数据集，将医学影像分类项目的开发周期从数周缩短至3天，显著降低了深度学习应用门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzbkzb_Python-AI_5f3ad020.png","kzbkzb","K同学啊","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkzbkzb_2eb57ebd.jpg","微信公众号：K同学啊",null,"https:\u002F\u002Fmtyjkh.blog.csdn.net\u002F","https:\u002F\u002Fgithub.com\u002Fkzbkzb",[84],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",100,3008,481,"2026-04-04T21:19:56","未说明",{"notes":91,"python":91,"dependencies":93},[],[53,26,13,14],[96,97,98,99,100,101,102,103],"dl","tensorflow2","nlp","ml","cv","python","python3","pytorch",4,"2026-03-27T02:49:30.150509","2026-04-06T06:54:01.506949",[],[]]