Chinaunix首页 | 论坛 | 博客
  • 博客访问: 4028092
  • 博文数量: 1099
  • 博客积分: 12961
  • 博客等级: 上将
  • 技术积分: 13169
  • 用 户 组: 普通用户
  • 注册时间: 2009-01-09 11:25
个人简介

偷得浮生半桶水(半日闲), 好记性不如抄下来(烂笔头). 信息爆炸的时代, 学习是一项持续的工作.

文章分类

全部博文(1099)

文章存档

2019年(75)

2018年(81)

2017年(80)

2016年(70)

2015年(52)

2014年(41)

2013年(51)

2012年(85)

2011年(45)

2010年(231)

2009年(288)

分类: Android平台

2017-12-29 09:53:16

ubuntu 上安装caffe 教程
http://blog.csdn.net/baobei0112/article/details/77996369

http://blog.csdn.net/column/details/deeplearning.html?&page=4
主要参考以上文章, 以caffe 做人脸识别为案例,进行深度学习的入门。

原文地址:http://blog.csdn.net/hjimce/article/details/45421595


作者:hjimce


一、学习清单


1、综合类


(1)收集了各种最新最经典的文献,神经网络的资源列表:https://github.com/robertsdionne/neural-network-papers  里面包含了深度学习领域经典、以及最新最牛逼的算法,如果把这个列表学过一遍,基本已然达到了大神级别。


(2)机器学习学习清单:https://github.com/ujjwalkarn/Machine-Learning-Tutorials/blob/master/README.md  当然也包含了深度学习各种资源教程


(3)2010-2016被引用最多的深度学习论文:https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650716071&idx=1&sn=7aa209732425c6a52536fbb9012a09fd  本人看了一下,感觉很不错,以后就根据这个一篇一篇的啃。


2、计算机视觉


(1)计算机视觉学习清单:https://github.com/kjw0612/awesome-deep-vision  里面包含的都是最经典的深度学习paper。如果把里面的paper都学过一遍,可谓视觉领域的高手高手高高手……


(2)快速搞深度学习图像识别项目,莫过于看识别效果排行榜,找最牛逼的算法搭建起来:http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html#53544c2d3130










3、NLP领域


(1)自然语言学习清单:https://github.com/keonkim/awesome-nlp 从NLP菜鸟到高手的成长之路学习清单


(2)RNN、LSTM等偏向NLP算法类:http://handong1587.github.io/deep_learning/2015/10/09/rnn-and-lstm.html  看起来好像很不错的样子


(3)博客推荐:http://www.wildml.com/  包含了RNN、LSTM、Attention机制等教程,最主要的是讲解的浅显易懂,让我等菜鸟受益匪浅










二、其它总结


1、调参经验:http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html,里面讲解了深度学习的调参经验总结,很是经典。


2、梯度下降各种变体总结:http://sebastianruder.com/optimizing-gradient-descent/  作者写的非常好,浅显易懂


3、深度学习加速相关优化:https://handong1587.github.io/deep_learning/2015/10/09/acceleration_model_compression.html


ios:https://developer.apple.com/reference/metalperformanceshaders


http://www.mattrajca.com/2016/11/26/speeding-up-tensorflow-with-metal-performance-shaders.html


http://machinethink.net/blog/


4、深度生成模型浅显易懂博客:http://www.inference.vc/page/4/


5、iPhone移植:http://machinethink.net/blog/






三、训练数据


1、计算机视觉


(1)人脸数据:


A、香港中文大学训练数据集:http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html  


此数据库包含了20w张人脸图片,每张图片标注了5个特征点、以及几十种属性(是否微笑、肤色、发色、性别等属性)


B、68个人脸特征点:http://ibug.doc.ic.ac.uk/resources/facial-point-annotations/


此网站差不多可以下载到3000张,训练数据图片,每张图片标注了68个人脸特征点


C、74个人脸特征点:http://gaps-zju.org/DDE/ 


这个网站包好了1.4w张的人脸训练数据图片,每张图片标注了74个人脸特征点。不过这个数据感觉标注的很不精确


D、性别与年龄训练数据:https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/


这个网站包含了500k+的人脸性别与年龄训练数据,同时还有文献及代码,对于搞性别年龄预测,资源充足






(2)深度估计、图像分割:


A、RGBD训练数据列表:http://www0.cs.ucl.ac.uk/staff/M.Firman/RGBDdatasets/










2、自然语言


(1)问答系统:https://github.com/karthikncode/nlp-datasets







阅读(424) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~
评论热议
请登录后评论。

登录 注册