深度学习的150多篇文章和10多个专栏推荐
文章首發于微信公眾號《有三AI》
創業第一天，有三AI扔出了深度學習的150多篇文章和10多個專欄
文/編輯?|?言有三
在這篇文章中，有三跟大家來聊一下有三AI和如何學習深度學習這件事兒。
?
1?概述
自我介紹
“有三AI”創始人網名言有三，本名龍鵬，本科就讀于華中科技大學，碩士就讀于中國科學院，先后就職于奇虎360AI研究院，陌陌深度學習實驗室，6年多計算機視覺從業經驗，熟悉傳統圖像算法和深度學習理論與實踐，曾在gitchat，網易云課堂等平臺開設入門課程。
擅長領域包括：熟悉caffe，tensorflow，pytorch，mxnet等主流機器學習平臺。熟悉圖像基礎任務，AI美學，2D與3D人臉，GAN，深度學習模型優化等領域。
目前以微信公眾平臺首發，知乎同步更新文章的方式進行深度學習相關知識的傳播。
面向的群體
(1)?直接相關崗位從業者。
(2)?相關方向的學生。
(3)?AI技術愛好者。
(4)?獵頭/HR/產品/運營等需要了解簡單技術的其他從業人員。
對學深度學習的看法
當前的深度學習是以神經網絡為基礎結構，完成視覺，語音，語言等領域相關任務的方法。
擁有幾個明顯的特點：
(1)?理論基礎尚不完善，各個維度都在被研究中。
(2)?經典的任務如人臉檢測與識別，限定場景的語音識別，智能客服機器人等已經實現工業級大規模落地，但是很多的細分領域有待應用和算法開發，潛力巨大。
(3)?學習資料海量但良莠不齊，缺乏系統性資料；國內外知名經典課程所授知識簡單，與工業界脫節且落后于最新技術。
在這個基礎上，有三AI通過不斷開設相關專欄來進行知識分享，力求使初學者知識體系盡量完善，具體的內容在第二部分進行介紹。
在這里我先給大家推薦一條初學者的學習路線，這是有三經過多年經驗以及參考若干資料后敲定的，以計算機視覺領域為例，粗分為：白身，初識，不惑，有識，不可知5個境界，關于這5個境界，為了縮短篇幅，請大家閱讀往期文章：
【雜談】白身，初識，不惑，有識，不可知，你處于深度學習工程師哪一重境界了
在這個基礎上，我們開始進行內容的更新，完整的文章列表如下：
白身境界
-
【AI白身境】究竟誰是paper之王，全球前10的計算機科學家
-
【AI白身境】一文覽盡計算機視覺研究方向
-
【AI白身境】入行AI需要什么數學基礎：左手矩陣論，右手微積分
-
【AI白身境】一文覽盡計算機視覺研究方向
-
【AI白身境】AI+，都加在哪些應用領域了
-
【AI白身境】只會用Python？g++，CMake和Makefile了解一下
-
【AI白身境】學深度學習你不得不知的爬蟲基礎
-
【AI白身境】搞計算機視覺必備的OpenCV入門基礎
-
【AI白身境】深度學習必備圖像基礎
-
【AI白身境】學AI必備的python基礎
-
【AI白身境】Linux干活三板斧，shell、vim和git
-
【AI白身境】深度學習從棄用windows開始
初識境界
-
【AI初識境】從3次人工智能潮起潮落說起
-
【AI初識境】從頭理解神經網絡-內行與外行的分水嶺
-
【AI初識境】近20年深度學習在圖像領域的重要進展節點
-
【AI初識境】激活函數：從人工設計到自動搜索
-
【AI初識境】什么是深度學習成功的開始？參數初始化
-
【AI初識境】深度學習模型中的Normalization，你懂了多少？
-
【AI初識境】為了圍剿SGD大家這些年想過的那十幾招
后面的請持續關注，這就是我暫時對學習深度學習的一點看法和建議。
?
2? 有三AI生態
簡單來說，就是給大家準備了各種各樣的專欄，然后系統性進行更新。
方向綜述
方向綜述，就是對計算機視覺或者深度學習的某一個研究方向進行深入全面的解讀，通常知識比較完備，自成體系，它有助于對某一個方向進行系統性的了解。
往期方向綜述
-
【技術綜述】一文道盡softmax?loss及其變種
-
【技術綜述】閑聊圖像分割這件事兒
-
【技術綜述】你真的了解圖像分類嗎？
-
【技術綜述】“看透”神經網絡
-
【技術綜述】計算機審美，學的怎么樣了？
-
【技術綜述】深度學習自動構圖研究報告
-
【技術綜述】一文道盡R-CNN系列目標檢測
-
【技術綜述】萬字長文詳解Faster?RCNN源代碼
-
為了壓榨CNN模型，這幾年大家都干了什么
開源框架
好記星不如爛筆頭，只有代碼寫出來才是真的會，在這個專欄就介紹各類開源框架。
因為開源框架的特點是更新非常快，而且內容瑣碎，所以目前開源框架是以快速入門為主題，即兩個小時上手系列，同時配套GitHub代碼。
每一個開源框架，從簡介，到數據的處理，模型的自定義，模型的訓練，結果的可視化，模型的測試等進行講述，麻雀雖小，五臟俱全。
往期開源框架
-
【Keras速成】Keras圖像分類從模型自定義到測試
-
【paddlepaddle速成】paddlepaddle圖像分類從模型自定義到測試
-
【pytorch速成】Pytorch圖像分類從模型自定義到測試
-
【tensorflow速成】Tensorflow圖像分類從模型自定義到測試
-
【caffe速成】caffe圖像分類從模型自定義到測試
-
【mxnet速成】mxnet圖像分類從模型自定義到測試
-
【cntk速成】cntk圖像分類從模型自定義到測試
數據理解
數據是深度學習的精神食糧，數據的整理和正確的使用需要非常豐富的經驗，這一部分就基于各個領域數據集的介紹，數據整理與獲取，數據增強，數據可視化等各個方向來進行講述。
往期數據
-
【數據集】自動駕駛都有什么測試基準？
-
【數據集】一文道盡醫學圖像數據集與競賽
-
【數據】短視頻識別，都有那些行業標準？
-
【技術綜述】一文道盡“人臉數據集”
-
【數據】深度學習從“數據集”開始
-
【技術綜述】深度學習中的數據增強（下）
-
[綜述類]?一文道盡深度學習中的數據增強方法（上）
模型結構
深度學習工程師的另一部分工作，就是模型的正確使用和調試了，在這一部分，會對各類模型的結構進行剖析，對其適用的場景進行分析，同時也即將涵蓋模型優化等。
往期模型結構
-
【完結】總結12大CNN主流模型架構設計思想
-
【模型解讀】從LeNet到VGG，看卷積+池化串聯的網絡結構
-
【模型解讀】network?in?network中的1*1卷積，你懂了嗎
-
【模型解讀】GoogLeNet中的inception結構，你看懂了嗎
-
【模型解讀】說說移動端基準模型MobileNets
-
【模型解讀】pooling去哪兒了？
-
【模型解讀】resnet中的殘差連接，你確定真的看懂了？
-
【模型解讀】“不正經”的卷積神經網絡
-
【模型解讀】從“局部連接”回到“全連接”的神經網絡
-
【模型解讀】深度學習網絡只能有一個輸入嗎
-
【模型解讀】“全連接”的卷積網絡，有什么好？
-
【模型解讀】從2D卷積到3D卷積，都有什么不一樣
-
【模型解讀】淺析RNN到LSTM
-
【模型解讀】歷數GAN的5大基本結構
AI-1000問
在這個專欄里，會針對AI技術中的一些非常小而重要，但是又容易被人忽視的問題進行普及，以實現知識的查漏補全。
?
往期AI-1000問
-
【AI-1000問】為什么深度學習圖像分類的輸入多是224*224
-
【AI-1000問】為什么LeNet5倒數第二個全連接層維度為84？
深度學習理論
在這一部分，就會細致地講述深度學習中的基礎理論，讓大家更深刻的理解原理，跟蹤前沿的發展，激發思考。
?
往期深度學習理論
-
【AI初識境】激活函數：從人工設計到自動搜索
-
【AI初識境】什么是深度學習成功的開始？參數初始化
-
【AI初識境】深度學習模型中的Normalization，你懂了多少？
-
【AI初識境】為了圍剿SGD大家這些年想過的那十幾招
模型訓練
在這里，自然就是介紹模型的訓練技巧了，從手動調參到自動調參，都會有的。
?
往期模型訓練
-
【模型訓練】如何選擇最適合你的學習率變更策略
-
【模型訓練】SGD的那些變種，真的比SGD強嗎
?
行業發展
在這里，就是給大家介紹各個應用領域的發展現狀，技術在其中的使用前景。
往期行業發展
-
【行業進展】國內自動駕駛發展的怎么樣了？
-
【行業進展】AI：新藥研發的新紀元
-
【行業進展】哪些公司在搞“新零售”
-
【行業進展】谷歌4大AI黑科技部門，你可知
-
【行業趨勢】人工智能憑什么“教育”人
-
2016自動駕駛外行裝逼攻略（超長文推薦）
就業機會
在這里，就是介紹各家公司的就業機會，剖析其關鍵產品和技術。
往期就業機會
-
【完結】中國12大AI研究院，高調的低調的你pick誰
?
雜談
在這個專欄里，我會什么都聊一點，可能是學習習慣，可能是某個特別有意思的文章，或者一些心得體會。
往期雜談
-
【雜談】為什么你學了AI，企業卻不要你
-
【AI雜談】從一篇參考文獻比正文還長的文章，雜談深度學習綜述
-
【方法雜談】你真的了解CVPR嗎？
感謝各位看官的耐心閱讀，不足之處希望多多指教。后續內容將會不定期奉上，歡迎大家關注有三公眾號 有三AI！
總結
以上是生活随笔為你收集整理的深度学习的150多篇文章和10多个专栏推荐的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【AI初识境】被Hinton，DeepM
- 下一篇： 【技术综述】基于弱监督深度学习的图像分割