點(diǎn)擊上方“小詹學(xué)Python”，選擇“星標(biāo)”公眾號(hào)

重磅干貨，第一時(shí)間送達(dá)

【導(dǎo)讀】今天介紹下做人工智能必看的45篇論文，并附上下載地址，以及一本提到這45篇論文的深度學(xué)習(xí)書。

而AI領(lǐng)域的發(fā)展會(huì)是IT中最快的。我們所看到的那些黑客技，其后面無不堆積了大量的論文。而且都是最新、最前沿的論文。

?

從某種調(diào)度來講，他們所用的技術(shù)跟書籍里的內(nèi)容確實(shí)不是一個(gè)時(shí)代。要想與時(shí)俱進(jìn)，就必須改變思路——從論文入手。

今天給大家介紹45篇讓你跟上AI時(shí)代的論文。

一、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)部分

?

No1 ?wide_deep模型論文：

關(guān)于神經(jīng)元、全連接網(wǎng)絡(luò)之類的基礎(chǔ)結(jié)構(gòu)，想必每個(gè)AI學(xué)者都有了解。那么你是否真的了解全連接網(wǎng)絡(luò)中深層與淺層的關(guān)系呢？來看看wide_deep模型吧。這篇論文會(huì)使你對(duì)全連接有個(gè)更深刻的理解。

關(guān)于該模型的更多介紹可以參考論文：

https://arxiv.org/pdf/1606.07792.pdf

在wide_deep模型中，wide模型和deep模型具有各自不同的分工。

—wide模型：一種淺層模型。它通過大量的單層網(wǎng)絡(luò)節(jié)點(diǎn)，實(shí)現(xiàn)對(duì)訓(xùn)練樣本的高度擬合性。它的缺點(diǎn)是泛化能力很差。

—deep模型：一種深層模型。它通過多層的非線性變化，使模型具有很好的泛化性。它的缺點(diǎn)是擬合度欠缺。

將二者結(jié)合起來——用聯(lián)合訓(xùn)練方法共享反向傳播的損失值來進(jìn)行訓(xùn)練—可以使兩個(gè)模型綜合優(yōu)點(diǎn)，得到最好的結(jié)果。

?

No2 ?wide_deep模型論文：

為什么Adam被廣泛使用？光會(huì)用可不行，還得把原理看懂。這樣出去噴一噴，才會(huì)顯得更有面子。

Adam的細(xì)節(jié)請(qǐng)參閱論文《Adam: A Method for Stochastic Optimization》，該論文的鏈接網(wǎng)址是：

https://arxiv.org/pdf/1412.6980v8.pdf

?

No3 ?Targeted Dropout模型論文：

你還再用普通的Dropout嗎？我已經(jīng)開始用Targeted Dropout了。比你的又快，又好。你不知道吧，趕緊學(xué)習(xí)一下。

Targeted Dropout不再像原有的Dropout那樣按照設(shè)定的比例隨機(jī)丟棄部分節(jié)點(diǎn)，而是對(duì)現(xiàn)有的神經(jīng)元進(jìn)行排序，按照神經(jīng)元的權(quán)重重要性來丟棄節(jié)點(diǎn)。這種方式比隨機(jī)丟棄的方式更智能，效果更好。更多理論見以下論文：

https://openreview.net/pdf?id=HkghWScuoQ

?

二、圖像分類部分

?

No4 ?Xception模型論文：

在那個(gè)圖像分類的時(shí)代，谷歌的Xception系列，像x戰(zhàn)警一樣，一個(gè)一個(gè)的打破記錄。其中的技術(shù)也逐漸成為AI發(fā)展的知識(shí)體系。有必要看一下。或許會(huì)對(duì)自己的工作有所啟發(fā)。

詳細(xì)情況請(qǐng)查看原論文《Xception: Deep Learning with Depthwise Separable Convolutions》，該論文網(wǎng)址是：

https://arxiv.org/abs/1610.02357

?

No5 ?殘差結(jié)構(gòu)論文：

運(yùn)氣好到?jīng)]朋友，現(xiàn)有模型，后完善理論指的就是殘差結(jié)構(gòu)這哥們。他的傳奇導(dǎo)致即使到今天的AI技術(shù)，也無法將它割舍，就來常微分方程都得拿它比肩。快來學(xué)學(xué)吧。用處大著呢。好多模型都拿他當(dāng)先鋒。

利用殘差結(jié)構(gòu)，可以使得網(wǎng)絡(luò)達(dá)到上百層的深度。詳情請(qǐng)參閱原始論文《Deep ResidualLearning for Image Recognition》，該論文網(wǎng)址是：

https://arxiv.org/abs/1512.03385

?

No6 ?空洞卷積論文：

NasNet的招牌動(dòng)作，雖然不是出于NASNet，但是卻被人家用得如火純青。有時(shí)不得不驚嘆，機(jī)器設(shè)計(jì)出來的模型還真實(shí)跟人設(shè)計(jì)的不一樣！

想知道空洞卷積的感受野為什么與層數(shù)呈指數(shù)級(jí)關(guān)系嗎？

細(xì)節(jié)請(qǐng)查看原論文《Multi-scale context aggregation by dilated convolutions》，該論文網(wǎng)址是：

https://arxiv.org/abs/1511.07122v3

?

No7 ?DenseNet論文：

這個(gè)模型使我想到了“一根筋”，再次證明了只有軸的人才能成大事！令類的模型，神奇的效果，快來體驗(yàn)一下吧。這可是比華佗還牛的神醫(yī)哦！

有關(guān)DenseNet模型的細(xì)節(jié)，請(qǐng)參考原始論文《Densely Connected Convolutional Networks》，該論文的連接是：

https://arxiv.org/abs/1608.06993

?

No8 ?EfficientNet模型論文：

知道目前位置圖像分類界誰是老大嗎？?來，看看這個(gè)！

EfficientNet模型的論文地址如下：

https://arxiv.org/pdf/1905.11946.pdf

?

No9 ?Grad-CAM模型論文：

如果你能把神經(jīng)元搞得透徹，你也會(huì)想到這個(gè)點(diǎn)子。不想聊太多！一個(gè)字“絕”！這TMD才叫卷積網(wǎng)絡(luò)的可視化！

詳細(xì)情況請(qǐng)參閱論文《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》，該論文的鏈接網(wǎng)址是：

https://arxiv.org/pdf/1610.02391.pdf

?

No10 ?分類模型泛化能力論文：

知道為啥都喜歡使用ResNet模型當(dāng)先鋒嗎？運(yùn)氣好就是運(yùn)氣好！好到大家都喜歡用它，還說不出為啥它那么好！反正就是好，不信的話看看這篇論文的實(shí)驗(yàn)結(jié)果。

論文中，在選取模型的建議中，多次提到了ResNet模型。原因是，ResNet模型在Imgnet數(shù)據(jù)集上輸出的特征向量所表現(xiàn)的泛化能力是最強(qiáng)的。具體可以參考以下論文：

https://arxiv.org/pdf/1805.08974.pdf

?

三、批量正則化部分

?

No11 ?批量正則化論文：

?

這個(gè)沒的說，必修課，不懂的化，會(huì)被鄙視成渣渣！

論文《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》，該論文網(wǎng)址是：

https://arxiv.org/abs/1502.03167

No12 ?實(shí)例歸一化論文：

時(shí)代不同了，批量歸一化也升級(jí)了，趕緊學(xué)學(xué)新的歸一化吧。

在對(duì)抗神經(jīng)網(wǎng)絡(luò)模型、風(fēng)格轉(zhuǎn)換這類生成式任務(wù)中，常用實(shí)例歸一化取代批量歸一化。因?yàn)?#xff0c;生成式任務(wù)的本質(zhì)是——將生成樣本的特征分布與目標(biāo)樣本的特征分布進(jìn)行匹配。生成式任務(wù)中的每個(gè)樣本都有獨(dú)立的風(fēng)格，不應(yīng)該與批次中其他的樣本產(chǎn)生太多聯(lián)系。所以，實(shí)例歸一化適用于解決這種基于個(gè)體的樣本分布問題。詳細(xì)說明見以下鏈接：

https://arxiv.org/abs/1607.08022

?

No13 ?ReNorm算法論文：

ReNorm算法與BatchNorm算法一樣，注重對(duì)全局?jǐn)?shù)據(jù)的歸一化，即對(duì)輸入數(shù)據(jù)的形狀中的N維度、H維度、W維度做歸一化處理。不同的是，ReNorm算法在BatchNorm算法上做了一些改進(jìn)，使得模型在小批次場(chǎng)景中也有良好的效果。具體論文見以下鏈接：

https://arxiv.org/pdf/1702.03275.pdf

?

No14 ?GroupNorm算法論文：

GroupNorm算法是介于LayerNorm算法和InstanceNorm算法之間的算法。它首先將通道分為許多組（group），再對(duì)每一組做歸一化處理。

GroupNorm算法與ReNorm算法的作用類似，都是為了解決BatchNorm算法對(duì)批次大小的依賴。具體論文見下方鏈接：

https://arxiv.org/abs/1803.08494

No15 ?SwitchableNorm算法論文：

我們國人做產(chǎn)品都喜歡這么干！all in ?one ?,好吧。既然那么多批量歸一化的方法。來，來，來，我們來個(gè)all in one吧。不服來辯，我這啥都有！

SwitchableNorm算法是將BN算法、LN算法、IN算法結(jié)合起來使用，并為每個(gè)算法都賦予權(quán)重，讓網(wǎng)絡(luò)自己去學(xué)習(xí)歸一化層應(yīng)該使用什么方法。具體論文見下方鏈接：

https://arxiv.org/abs/1806.10779

?

四、注意力部分

?

No16 ?大道至簡的注意力論文：

把AI搞成玄學(xué)也就算了！居然還扯到道家了！谷歌的工程師真實(shí)中外通吃啊！搞出來了一個(gè)只用注意力就能做事的模型，連卷積都不要了！你所好玩不好玩！至簡不至簡！刺激不刺激！

?

大名鼎鼎的Attention is All You Need?注意力機(jī)制論文

注意力機(jī)制因2017年谷歌的一篇論文Attention is All You Need而名聲大噪。下面就來介紹該技術(shù)的具體內(nèi)容。如果想了解更多，還可以參考原論文，具體地址如下：

https://arxiv.org/abs/1706.03762

?

No17-18 ?孿生注意力論文：

好比LSTM與GRU一樣，注意力他們家也除了一對(duì)雙胞胎，長得略微有點(diǎn)不同。但是功能一樣，都能吃能喝，還能注意。老虎老鼠傻傻的不清楚！

—BahdanauAttention：https://arxiv.org/abs/1409.0473。

—LuongAttention：https://arxiv.org/abs/1508.04025。

?

No19 ?各自升級(jí)的孿生注意力論文：

話說這對(duì)雙胞胎，出生后就分開了。各自學(xué)的不同的語言，一個(gè)學(xué)習(xí)漢語，一個(gè)學(xué)習(xí)中文。若干年后，見面，發(fā)現(xiàn)二者的能力還是一樣！

BahdanauAttention注意力升級(jí)成了normed_BahdanauAttention，而LuongAttention注意力升級(jí)成了scaled_LuongAttention。都一樣的效果，你愛用哪個(gè)用哪個(gè)吧！

例如：

在BahdanauAttention類中有一個(gè)權(quán)重歸一化的版本（normed_BahdanauAttention），它可以加快隨機(jī)梯度下降的收斂速度。在使用時(shí)，將初始化函數(shù)中的參數(shù)normalize設(shè)為True即可。

具體可以參考以下論文：

https://arxiv.org/pdf/1602.07868.pdf

?

No20 ?單調(diào)注意力機(jī)制論文：

老公主動(dòng)表忠心，我以后不看別的美女。老婆覺得不夠，再加個(gè)限制：你以后不準(zhǔn)看別的女人！于是單調(diào)注意力就出來了。

單調(diào)注意力機(jī)制（monotonic attention），是在原有注意力機(jī)制上添加了一個(gè)單調(diào)約束。該單調(diào)約束的內(nèi)容為：

（1）假設(shè)在生成輸出序列過程中，模型是以從左到右的方式處理輸入序列的。

（2）當(dāng)某個(gè)輸入序列所對(duì)應(yīng)的輸出受到關(guān)注時(shí)，在該輸入序列之前出現(xiàn)的其他輸入將不能在后面的輸出中被關(guān)注。

即已經(jīng)被關(guān)注過的輸入序列，其前面的序列中不再被關(guān)注。

更多描述可以參考以下論文：

https://arxiv.org/pdf/1704.00784.pdf

No21 ?混合注意力機(jī)制論文：

這個(gè)注意力很強(qiáng)大，比一般的注意力專注的地方更多，信息更豐富。我已經(jīng)注意你很久了！呵呵呵~~~

因?yàn)榛旌献⒁饬χ泻形恢眯畔?#xff0c;所以它可以在輸入序列中選擇下一個(gè)編碼的位置。這樣的機(jī)制更適用于輸出序列大于輸入序列的Seq2Seq任務(wù)，例如語音合成任務(wù)。

具體可以參考以下論文：

https://arxiv.org/pdf/1506.07503.pdf

?

五、高級(jí)的卷積網(wǎng)絡(luò)知識(shí)

?

No22 ?膠囊網(wǎng)絡(luò)與動(dòng)態(tài)路由的論文：

這是一股為圖像分類降溫的寒風(fēng)，深刻而又尖銳的點(diǎn)出了卷積網(wǎng)絡(luò)的硬傷！?從事最大池化再無翻身之日。

雖然膠囊網(wǎng)絡(luò)再實(shí)際應(yīng)用中，不像它的理論那么牛，但是對(duì)AI的幫助，卷積的理解是革命性的。非常值得一讀。另外，這也是一篇絕對(duì)讓你對(duì)數(shù)學(xué)徹底絕望的論文。花幾根白頭發(fā)把里面的算法啃下來吧。這樣你與大神就能更近一步。

膠囊網(wǎng)絡(luò)分為主膠囊與數(shù)字膠囊，主膠囊與數(shù)字膠囊之間的耦合系數(shù)是通過訓(xùn)練得來的。在訓(xùn)練過程中，耦合系數(shù)的更新不是通過反向梯度傳播實(shí)現(xiàn)的，而是采用動(dòng)態(tài)路由選擇算法完成的。該算法來自以下論文鏈接：

https://arxiv.org/pdf/1710.09829.pdf

目前膠囊網(wǎng)絡(luò)的研究還處于初級(jí)階段，隨著人們研究的深入，相信這些問題會(huì)得到解決。

?

No23 ?矩陣膠囊網(wǎng)絡(luò)與EM路由算法：

如果你覺得不過癮，那么還可以再看一篇。繼續(xù)自虐一下。

帶有EM（期望最大化）路由的矩陣膠囊網(wǎng)絡(luò)是動(dòng)態(tài)路由膠囊網(wǎng)絡(luò)的一個(gè)改進(jìn)版本。論文鏈接如下：

https://openreview.net/pdf?id=HJWLfGWRb

?

No24 ?膠囊網(wǎng)絡(luò)的其它用處：

膠囊網(wǎng)絡(luò)混身是寶，但就是自己不爭氣。這也說明還有上升的空間。就拿其中一個(gè)動(dòng)態(tài)路由算法來講，居然比普通的注意力還好。

看完之后，相信你一定會(huì)手癢！要不要也試試？把你的注意力換一下。值得你嘗試，會(huì)有彩蛋的！

該論文的實(shí)踐也證明，與原有的注意力機(jī)制相比，動(dòng)態(tài)路由算法確實(shí)在精度上有所提升。具體介紹可見以下論文：

https://arxiv.org/pdf/1806.01501.pdf

?

No25 ?卷積網(wǎng)絡(luò)新玩法TextCNN模型：

早先小編在一個(gè)項(xiàng)目中，自己用卷積網(wǎng)絡(luò)處理字符數(shù)據(jù)。自己感覺很Happy。沒想到，無意間居然發(fā)現(xiàn)了一篇同樣這么干的論文。居然還有個(gè)名字，叫TextCNN。哎！可惜啊！小編文化少，只會(huì)寫代碼，不會(huì)寫論文。

TextCNN模型是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行分類的算法，由?Yoon Kim?在?Convolutional Neural Networks for Sentence Classification?一文中提出。論文地址：

https://arxiv.org/pdf/1408.5882.pdf

?

六、圖像內(nèi)容處理部分

No26? FPN模型論文（包含了ROIAlign的匹配算法）：

要是搞計(jì)算機(jī)視覺，還是要建議看一下。非常的基礎(chǔ)。也是圖像分割方面的用得最多得模型。

FPN的原理是：將骨干網(wǎng)絡(luò)最終特征層和中間特征層的多個(gè)尺度的特征以類似金字塔的形式融合在一起。最終的特征可以兼顧兩個(gè)特點(diǎn)——指向收斂目標(biāo)的特征準(zhǔn)確、特征語義信息豐富。更多信息可以參考論文：

ROIAlign層中的匹配算法也來自于這篇FPN論文，鏈接如下：

https://arxiv.org/abs/1612.03144

?

No27 Mask R-CNN模型論文：

效果好，代碼多！硬貨！來啃吧！

Mask R-CNN模型是一個(gè)簡單、靈活、通用的對(duì)象實(shí)例分割框架。它能夠有效地檢測(cè)圖像中的對(duì)象，并為每個(gè)實(shí)例生成高質(zhì)量的分割掩碼，還可以通過增加不同的分支完成不同的任務(wù)。它可以完成目標(biāo)分類、目標(biāo)檢測(cè)、語義分割、實(shí)例分割、人體姿勢(shì)識(shí)別等多種任務(wù)。具體細(xì)節(jié)可以參考以下論文：

https://arxiv.org/abs/1703.06870

No28 ?YOLO V3模型論文：

這個(gè)模型的提點(diǎn)就是快！目標(biāo)識(shí)別強(qiáng)烈推薦

YOLO V3模型的更多信息可以參考以下鏈接中的論文：

https://pjreddie.com/media/files/papers/YOLOv3.pdf

?

No29? Anchor-Fress模型--FCOS模型論文：

隨著AI技術(shù)的進(jìn)步Anchor-Fress模型死灰復(fù)燃（早先是YOLO V1那一批模型），這次不一樣的是徹底干掉帶Anchor的模型。訓(xùn)練起來那就一個(gè)爽！媽媽再也不用為我準(zhǔn)備單獨(dú)的Anchor標(biāo)簽了。

與YOLO V1相比，?FCOS模型的思想與YOLO V1模型非常相似，唯一不同的是FCOS模型沒有像YOLOv1那樣只考慮中心附近的點(diǎn)，而是利用了ground truth邊框中所有的點(diǎn)來進(jìn)行預(yù)測(cè)邊框。并且通過?center-ness?分支來抑制那些效果不行的檢測(cè)邊框。這樣FCOS?就可以改善YOLO V1模型總會(huì)漏掉部分檢測(cè)邊框的缺點(diǎn)。

相關(guān)論文地址：

https://arxiv.org/abs/1904.01355

No30? Anchor-Fress模型--CornerNet-Lite模型論文：

一樣也是Anchor-Fress模型，與FCOS效果差不多少，具體看一下論文吧

CornerNet-Lite模型。相關(guān)論文地址：

https://arxiv.org/pdf/1904.08900.pdf

No31 ?棧式沙漏網(wǎng)絡(luò)模型--Hourglass論文：

?

最初用戶人的姿態(tài)估計(jì)，在符合模型中也是常被使用的模型。論文地址：

https://arxiv.org/abs/1603.06937

?

No32? OCR必修課——STN模型論文：

可以讓模型自動(dòng)仿射變化，你說牛不牛！要學(xué)OCR，就得從這個(gè)開始。

有關(guān)STN模型的論文鏈接如下：

https://arxiv.org/abs/1506.02025

?

七、循環(huán)神經(jīng)網(wǎng)絡(luò)部分

?

No33 ?QRNN模型論文：

在RNN模型的cell里，如果還只知道LSTM和GRU。那就太low了。快了補(bǔ)補(bǔ)吧：

如果想更多了解QRNN，可以參考以下論文：

https://arxiv.org/abs/1611.01576

No34 ?SRU模型論文：

接著來，各種RNN的Cell。又漂亮，又好吃！

SRU單元在本質(zhì)上與QRNN單元很像。從網(wǎng)絡(luò)構(gòu)建上看，SRU單元有點(diǎn)像QRNN單元中的一個(gè)特例，但是又比QRNN單元多了一個(gè)直連的設(shè)計(jì)。

若需要研究SRU單元更深層面的理論，可以參考如下論文：

https://arxiv.org/abs/1709.02755

No35 ?IndRNN模型論文：

再補(bǔ)一個(gè)，這可都是好cell啊！

將IndRNN單元配合ReLu等非飽和激活函數(shù)一起使用，會(huì)使模型表現(xiàn)出更好的魯棒性。

有關(guān)IndRNN單元的更多理論，可以參考論文：

https://arxiv.org/abs/1803.04831

No36 ?IndRNN模型論文：

最后，再來一個(gè)cell，如想要了解更多關(guān)于JANET單元的內(nèi)容，可以參考以下論文：

https://arxiv.org/abs/1804.04849

?

八、AI合成部分

?

No37-38 ?Tacotron與Tacotron-2模型論文：

AI合成部分的經(jīng)典模型，以上結(jié)構(gòu)來自Tacotron與Tacotron-2兩個(gè)結(jié)構(gòu)，更多內(nèi)容可以參考以下兩篇論文：

https://arxiv.org/pdf/1703.10135.pdf

https://arxiv.org/pdf/1712.05884.pdf

?

No39 ?DeblurGAN模型論文：

圖片合成的論文太多了。這里簡單列幾個(gè)，大體原理和思路了解，即可。

DeblurGAN模型是一個(gè)對(duì)抗神經(jīng)網(wǎng)絡(luò)模型，由生成器模型和判別器模型組成。

—生成器模型，根據(jù)輸入的模糊圖片模擬生成清晰的圖片。

—判別器模型，用在訓(xùn)練過程中，幫助生成器模型達(dá)到更好的效果。

具體可以參考論文：

https://arxiv.org/pdf/1711.07064.pdf。

?

No40 ?AttGAN模型論文：

同樣，這也是個(gè)圖片合成的。不同的是多屬性合成，相對(duì)比較有意思。

AttGAN模型由兩個(gè)子模型組成：

（1）利用編碼器模型將圖片特征提取出來。

（2）將提取的特征與指定的屬性值參數(shù)一起輸入編碼器模型中，合成出最終的人臉圖片。

更多細(xì)節(jié)可以參考論文：

https://arxiv.org/pdf/1711.10678.pdf

?

No41 ?RNN.WGAN模型論文：

可以合成文本的GAN。離散數(shù)據(jù)也能干！

RNN.WGAN模型使用了WGAN模型的方法進(jìn)行訓(xùn)練。詳細(xì)做法可以參考如下論文：

https://arxiv.org/abs/1704.00028

?

九、多任務(wù)學(xué)習(xí)

?

No42 ?MKR模型論文：

多任務(wù)學(xué)習(xí)模型有必要了解一下。這里推薦一個(gè)論文給你看看。

MKR是一個(gè)多任務(wù)學(xué)習(xí)的端到端框架。該框架能夠?qū)蓚€(gè)不同任務(wù)的低層特征抽取出來，并融合在一起實(shí)現(xiàn)聯(lián)合訓(xùn)練，從而達(dá)到最優(yōu)的結(jié)果。有關(guān)MKR的更多介紹可以參考以下鏈接：

https://arxiv.org/pdf/1901.08907.pdf

?

十、NLP部分

No43 ?BERT模型論文：

如果你搞NLP，那么這個(gè)就不用我來介紹了。如果你準(zhǔn)備搞NLP,那么趕緊來看看這個(gè)，跟上時(shí)代。

BERT相關(guān)論文鏈接

https://arxiv.org/abs/1810.04805

在BERT之后，又出了好多優(yōu)秀的模型。但是，還是先把這個(gè)啃下來，再看別的才不費(fèi)勁。

十一、模型攻防

?

No44 ?FGSM模型論文：

攻擊模型的經(jīng)典方法。值得掌握。

FGSM（Fast Gradient Sign Method）是一種生成對(duì)抗樣本的方法。該方法的描述如下：

（1）將輸入圖片當(dāng)作訓(xùn)練的參數(shù)，使其在訓(xùn)練過程中可以被調(diào)整。

（2）在訓(xùn)練時(shí)，通過損失函數(shù)誘導(dǎo)模型對(duì)圖片生成錯(cuò)誤的分類。

（3）當(dāng)多次迭代導(dǎo)致模型收斂后，訓(xùn)練出來的圖片就是所要得到的對(duì)抗樣本。

具體可以參考論文：

https://arxiv.org/pdf/1607.02533.pdf

?

No45 ?黑箱攻擊論文：

基于雅可比（Jacobian）矩陣的數(shù)據(jù)增強(qiáng)方法，是一種常用的黑箱攻擊方法。該方法可以快速構(gòu)建出近似于被攻擊模型的決策邊界，從而使用最少量的輸入樣本。即：構(gòu)建出代替模型，并進(jìn)行后續(xù)的攻擊操作。

詳細(xì)請(qǐng)見如下鏈接：

https://arxiv.org/abs/1602.02697

?

這里只是列了一些基礎(chǔ)的論文。如果這45篇論文看完。可以保證你再看到大廠的產(chǎn)品時(shí)，不會(huì)感覺有代溝。

推薦閱讀：（點(diǎn)擊下方標(biāo)題即可跳轉(zhuǎn)）

地震到底離我們有多近，Python 爬蟲帶你了解

3行代碼5秒摳圖的AI神器，根本無需PS！

??歡迎長按圖片識(shí)別二維碼關(guān)注～

最新 AI 干貨，我在看??

與50位技術(shù)專家面對(duì)面20年技術(shù)見證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的人工智能必看的 45 篇论文（附下载地址）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。