SNAPSHOT GITHUB
Mikoto10032/DeepLearning
M
Sao
★ 17.7k
Fork
⑂ 3.9k
Ngôn ngữ
Jupyter Notebook
Chủ đề
AI Tools
License
Apache-2.0
Cập nhật
4.3y ago
Cộng tác viên
—
Trang chủ
—
ĐÁNH GIÁ NHANH
Được TopGit lập chỉ mục từ metadata GitHub: Mikoto10032/DeepLearning có 17.7k sao, viết chủ yếu bằng Jupyter Notebook. 深度学习入门教程, 优秀文章, Deep Learning Tutorial
Tóm tắt dựng từ metadata GitHub của chính dự án — chưa có bài review TopGit. Trang sẽ tự động cập nhật khi bài review đầy đủ được xuất bản.
VÌ SAO CHƯA CÓ REVIEW
TopGit viết bài đầy đủ cho repo có nhiều sao nhất và được yêu cầu nhiều nhất. Trang này là snapshot trong thời gian chờ — xem README gốc ở tab READ ME.
Snapshot
Stars★ 17.7k
Forks⑂ 3.9k
LanguageJupyter Notebook
TopicAI Tools
LicenseApache-2.0
Homepage—
Cộng tác viên hàng đầu
Xem cộng tác viên hàng đầu
DeepLearning Tutorial
一. 入门资料
完备的 AI 学习路线，最详细的中英文资源整理 :star:
AiLearning: 机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NL
Machine-Learning
数学基础
- 矩阵微积分
- 机器学习的数学基础
- CS229线性代数与概率论基础
机器学习基础
快速入门
- 机器学习算法地图
- 机器学习 吴恩达 Coursera个人笔记 && 视频（含官方笔记）
- CS229 课程讲义中文翻译 && 机器学习 吴恩达 cs229个人笔记 && 官网（笔记） && 视频（中文字幕）
- 百页机器学习
深入理解
- 《统计学习方法》李航 && 《统计学习方法》各章节笔记 && 《统计学习方法》各章节笔记 && 推荐答案：statistical-learning-method-solutions-manual 《统计学习方法》各章节笔记 && 《统计学习方法》各章节代码实现与课后习题参考解答
- 《模式识别与机器学习》 Christopher Bishop
- 《机器学习》 周志华 && 南瓜书：pumpkin-book
- 《机器学习实战》 PelerHarrington
- 机器学习与深度学习书单
深度学习基础
快速入门
- 深度学习思维导图 && 深度学习算法地图
- 《斯坦福大学深度学习基础教程》 Andrew Ng（吴恩达）
- 深度学习 吴恩达 个人笔记 && 视频
- MIT深度学习基础-2019视频课程
- 台湾大学（NTU）李宏毅教授课程 && [leeml-notes
- 图解深度学习_Grokking-Deep-Learning
- 《神经网络与深度学习》 Michael Nielsen
- CS321-Hinton
- CS230: Deep Learning
- CS294-112
计算机视觉
- CS231 李飞飞 已授权个人翻译笔记 && 视频
- 计算机视觉研究方向
自然语言处理
- CS224n: Natural Language Processing with Deep Learning
- NLP上手教程
- NLP入门推荐书目（2019版）
深度强化学习
- CS234: Reinforcement Learning
深入理解
- 《深度学习》 Yoshua Bengio.Ian GoodFellow:star:
- 《自然语言处理》Jacob Eisenstein
- 《强化学习》 && 第二版
- hangdong的深度学习博客,论文推荐
- Practical Deep Learning for Coders, v3
- 《Tensorflow实战Google深度学习框架》 郑泽宇 顾思宇
一些书单
- 2019年最新-深度学习、生成对抗、Pytorch优秀教材推荐
工程能力
- 如何系统地学习算法？ && LeetCode && leetcode题解 && 《算法导论》中算法的C++实现
- 机器学习算法实战
- 深度学习框架
- 如何成为一名算法工程师 && 从小白到入门算法，我的经验分享给你～ && 我的研究生这三年 :star:
- 编程面试的题目分类
- 《AI算法工程师手册》
- 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？
- 【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
- 计算机相关技术面试必备 && CS-WiKi && 计算机基础面试问题全面总结 && TeachYourselfCS-CN && 面试算法笔记-中文
- 算法工程师面试
- 深度学习面试题目
- 深度学习500问
- AI算法岗求职攻略
- Kaggle实战
- 常用算法：
- Feature Engineering：continue variable && categorical variable
- Classic machine learning algorithm：LR, KNN, SVM, Random Forest, GBDT(XGBoost&&LightGBM), Factorization Machine, Field-aware Factorization Machine, Neural Network
- Cross validation, model selection：grid search, random search, hyper-opt
- Ensemble learning
- kaggle竞赛宝典第一章-竞赛框架篇！:star:
- Kaggle 项目实战（教程） = 文档 + 代码 + 视频
- Kaggle入门系列：（一）机器学习环境搭建 && Kaggle入门系列：（二）Kaggle简介 && Kaggle入门系列（三）Titanic初试身手
- 从 0 到 1 走进 Kaggle
- Kaggle 入门指南
- 一个框架解决几乎所有机器学习问题 && Approaching (Almost) Any Machine Learning Problem | Abhishek Thakur
- 分分钟带你杀入Kaggle Top 1%
- 如何达到Kaggle竞赛top 2%？这里有一篇特征探索经验帖
- 如何在 Kaggle 首战中进入前 10%？
- Kaggle 首战 Top 2%, APTOS 2019 复盘总结 + 机器学习竞赛通用流程归纳
- kaggle的riiid比赛里关于数据处理时间空间优化的笔记
- 常用算法：
- 大数据&机器学习相关竞赛推荐
二. 神经网络模型概览
- 1. 一文看懂25个神经网络模型
- 2. DNN概述论文：详解前馈、卷积和循环神经网络技术
- 3. colah's blog
- 4. Model Zoom
- 5. DNN概述
- GitHub上的机器学习/深度学习综述项目合集
- AlphaTree-graphic-deep-neural-network
CNN
发展史
- 94页论文综述卷积神经网络：从基础技术到研究前景
图像分类
- 从LeNet-5到DenseNet
- 深度学习笔记（十一）网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv
- CNN网络结构的发展
- Awesome - Image Classification：论文&&代码大全
- pytorch-image-models
目标检测
- 深度学习之目标检测的前世今生（Mask R-CNN）
- 深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD
- 从RCNN到SSD，这应该是最全的一份目标检测算法盘点
- 目标检测算法综述三部曲
- 基于深度学习的目标检测算法综述（一）
- 基于深度学习的目标检测算法综述（二）
- 基于深度学习的目标检测算法综述（三）
- From RCNN to YOLOv3：上，下
- 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？
- 目标检测进化史
- CVPR2019目标检测方法进展综述
- 一文看尽21篇目标检测最新论文（腾讯/Google/商汤/旷视/清华/浙大/CMU/华科/中科院等
- 我这两年的目标检测
- Anchor-Free目标检测算法: 第一篇：arxiv2015_baidu_DenseBox， 如何评价最新的anchor-free目标检测模型FoveaBox？, FCOS: 最新的one-stage逐像素目标检测算法 && 最新的Anchor-Free目标检测模型FCOS，现已开源！ && 中科院牛津华为诺亚提出CenterNet，one-stage detector可达47AP，已开源！ && AnchorFreeDetection
- Anchor free深度学习的目标检测方法
- 聊聊Anchor的"前世今生"（上）&&聊聊Anchor的"前世今生"（下）
- 目标检测算法综述之FPN优化篇 && 一文看尽物体检测中的各种FPN
- awesome-object-detection：论文&&代码
- deep_learning_object_detection
- ObjectDetectionImbalance
图像分割（语义分割、实例分割、全景分割）
- 图像语义分割(Semantic segmentation) Survey
- 干货 | 一文概览主要语义分割网络
- 语义分割 发展综述
- 9102年了，语义分割的入坑指南和最新进展都是什么样的
- 实例分割最新最全面综述：从Mask R-CNN到BlendMask
- 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】
- Awesome Semantic Segmentation：论文&&代码
- 一篇看完就懂的最新语义分割综述
- 基于深度学习的语义分割综述
轻量化卷积神经网络
- 纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception
人脸相关
- 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
- 人脸检测和识别算法综述
- 人脸检测算法综述
- 人脸检测背景介绍和发展现状
- 人脸识别算法演化史
- CascadeCNN
- MTCNN
- awesome-Face_Recognition
- 异质人脸识别研究综述
- 老板来了：人脸识别+手机推送，老板来了你立刻知道。&& 手把手教你用Python实现人脸识别 && 人脸识别项目，网络模型，损失函数，数据集相关总结
- 基于深度学习的人脸识别技术综述 && 如何走近深度学习人脸识别？你需要这篇超长综述 && 人脸识别损失函数综述（附开源实现） && Face Recognition Loss on Mnist with Pytorch && 人脸识别的LOSS（上） && 人脸识别的LOSS（下）
- 人脸关键点检测
- 【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章
- 从传统方法到深度学习，人脸关键点检测方法综述
- 人脸关键点检测综述
- 人脸专集4 | 遮挡、光照等因素的人脸关键点检测
- 【Face key point detection】人脸关键点检测实现
- OpenCV实战：人脸关键点检测（FaceMark）
- CenterFace+TensorRT部署人脸和关键点检测400fps
图像超分辨率
- 深度学习图像超分辨率综述
- 从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程
行人重识别
- 【CVPR2019正式公布】行人重识别论文
- 【CVPR2019正式公布】行人重识别论文，2019 行人再识别年度进展回顾
图像着色
- Awesome-Image-Colorization
边检测
- Awesome-Edge-Detection-Papers
OCR&&文本检测
- 2019CVPR文本检测综述
- OCR文字处理
- 自然场景文本检测识别技术综述
点云
- awesome-point-cloud-analysis
细粒度图像分类
- 超全深度学习细粒度图像分析：项目、综述、教程一网打尽
图像检索
- 图像检索的十年上、下
人群计数
- 人群计数, 1, 2, 3
教程
前馈神经网络
- 从基本原理到梯度下降，小白都能看懂的神经网络教程
激活函数
- 激活函数一览 && 深度学习中几种常见的激活函数理解与总结
- 一个激活函数需要具有哪些必要的属性
反向传播算法
- 反向传播算法（过程及公式推导）
- 通俗理解神经网络BP传播算法
优化问题
- 神经网络训练中的梯度消失与梯度爆炸
- 梯度消失和梯度爆炸问题详解
- 详解深度学习中的梯度消失、爆炸原因及其解决方法 && 神经网络梯度消失和梯度爆炸及解决办法
卷积层
- A Comprehensive Introduction to Different Types of Convolutions in Deep Learning && 翻译：上、下
- 卷积有多少种？一文读懂深度学习中的各种卷积
- 各种卷积
- Convolution Network及其变种（反卷积、扩展卷积、因果卷积、图卷积）
- 深度学习基础--卷积类型
- 变形卷积核、可分离卷积
- 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
- 反卷积
- Dilated/Atrous conv 空洞卷积/多孔卷积
- 卷积层输出大小尺寸计算及 “SAME” 和 “VALID” && 卷积的三种模式full, same, valid以及padding的same, valid
- 正常卷积与空洞卷积输出特征图与感受野大小的计算
- 【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积?
- 【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积？
- 【Tensorflow】tf.nn.separable_conv2d如何实现深度可分卷积?
- 【TensorFlow】tf.nn.conv2d_transpose是怎样实现反卷积的？
池化层
- 卷积神经网络中的各种池化操作
卷积神经网络
- 卷积神经网络工作原理
- 「七夕的礼物」: 一日搞懂卷积神经网络
- 一文读懂卷积神经网络中的1x1卷积核
- 如何理解神经网络中通过add和concate的方式融合特征？ && 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?
- CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？ && 深度学习中卷积的参数量和计算量
图像分类网络详解
- 经典CNN模型LeNet解读
- 机器学习进阶笔记之三 | 深入理解Alexnet
- 一文读懂VGG网络
- Inception V1,V2,V3,V4 模型总结
- ResNet解析
- 一文简述ResNet及其多种变体
- CapsNet入门系列
- CapsNet入门系列之一：胶囊网络背后的直觉
- CapsNet入门系列之二：胶囊如何工作
- CapsNet入门系列之三：囊间动态路由算法
- CapsNet入门系列之四：胶囊网络架构
- 深入剖析MobileNet和它的变种（例如：ShuffleNet）为什么会变快？
- CNN模型之ShuffleNet
- ShuffleNet V2和四个网络架构设计准则
- ResNeXt 深入解读与模型实现
- 如何评价Momenta ImageNet 2017夺冠架构SENet?
- CBAM：卷积块注意力模块 && CBAM: Convolutional Block Attention Module
- SKNet——SENet孪生兄弟篇
- GCNet：当Non-local遇见SENet
- 深度学习笔记（十一）网络 Inception, Xception, MobileNet, ShuffeNet, ResNeXt, SqueezeNet, EfficientNet, MixConv
- 如何评价最新的Octave Convolution？
- ResNeSt 之语义分割 && 关于ResNeSt的点滴疑惑 && ResNeSt在刷榜之后被ECCV2020 strong reject
目标检测网络详解
- 目标检测的性能评价指标 && NMS和计算mAP时的置信度阈值和IoU阈值 && 白话mAP && 目标检测模型的评估指标mAP详解(附代码）
- 深度学习中IU、IoU(Intersection over Union)
- Selective Search for Object Detection （译文）
- Region Proposal Network(RPN)
- 边框回归(Bounding Box Regression)详解
- NMS——非极大值抑制 && 非极大值抑制NMS的python实现
- 一文打尽目标检测NMS——精度提升篇 && 一文打尽目标检测NMS——效率提升篇
- 目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss
- 将CNN引入目标检测的开山之作：R-CNN
- R-CNN论文详解
- 深度学习（十八）基于R-CNN的物体检测
- Fast R-CNN
- 深度学习（六十四）Faster R-CNN物体检测 && 你真的学会RoI Pooling了吗?
- 目标检测论文阅读：Feature Pyramid Networks for Object Detection
- SSD
- 实例分割--Mask RCNN详解(ROI Align / Loss Function) && 令人拍案称奇的Mask RCNN
- 何恺明大神的「Focal Loss」，如何更好地理解？ && FocalLoss 对样本不平衡的权重调节和减低损失值 && focal_loss 多类别和二分类 Pytorch代码实现 && 多分类focal loss及其tensorflow实现
- 堪比Focal Loss！解决目标检测中样本不平衡的无采样方法
- 目标检测正负样本区分策略和平衡策略总结(一) && 目标检测正负样本区分策略和平衡策略总结(二) && 目标检测正负样本区分策略和平衡策略总结(三）
- YOLO && 目标检测|YOLO原理与实现 && 图解YOLO && 【论文解读】Yolo三部曲解读——Yolov1
- 目标检测|YOLOv2原理与实现(附YOLOv3) && YOLO2 && 【论文解读】Yolo三部曲解读——Yolov2
- <机器爱学习>YOLO v3深入理解 && 【论文解读】Yolo三部曲解读——Yolov3
- YOLOv4
- 目标检测之CornerNet, 1, 2, 3
- 目标检测小tricks--样本不均衡处理
图像分割网络详解
- 超像素、语义分割、实例分割、全景分割 傻傻分不清 && 语义分割、实例分割和全景分割的区别
- 语义分割卷积神经网络快速入门
- 图像语义分割入门+FCN/U-Net网络解析 && 深入理解深度学习分割网络Ｕnet
- Unet神经网络为什么会在医学图像分割表现好？
- 图像语义分割的工作原理和CNN架构变迁
- 语义分割中的Attention和低秩重建
- 打通多个视觉任务的全能Backbone:HRNet
注意力机制
- 深度学习中的注意力模型（2017版）
- Attention Model（mechanism） 的 套路
- 计算机视觉中的注意力机制（推荐）
- More About Attention（推荐）
- 计算机视觉中的注意力机制
- NLP中的Attention Mechanism
- Transformer中的Attention
- 综述：图像处理中的注意力机制
特征融合
- 盘点目标检测中的特征融合技巧（根据YOLO v4总结）
- 多尺度融合介绍
Action
- PyTorch官方实现ResNet && pytorch_resnet_cifar10
- PyTorch 63.Coding for FLOPs, Params and Latency
- 先读懂CapsNet架构然后用TensorFlow实现
- 目标检测-20种模型的原味代码汇总
- TensorFlow Object Detection API 教程
- TensorFlow 对象检测 API 教程1
- TensorFlow 对象检测 API 教程2
- TensorFlow 对象检测 API 教程3
- TensorFlow 对象检测 API 教程 4
- TensorFlow 对象检测 API 教程5
- 在TensorFlow+Keras环境下使用RoI池化一步步实现注意力机制
- mxnet如何查看参数数量 && mxnet查看FLOPS
- Pytorch-UNet
- segmentation_models.pytorch
GAN
发展史
- 千奇百怪的GAN变体
- 苏剑林博客，讲解得淋漓尽致
- The GAN Landscape：Losses, Architectures, Regularization, and Normalization
- 深度学习新星：GAN的基本原理、应用和走向
- GAN生成图像综述
- 2017年GAN 计算机视觉相关paper汇总
- 必读的10篇关于GAN的论文
教程
- GAN原理学习笔记
- GAN万字长文综述
- 极端图像压缩的对抗生成网络
- 台湾大学李宏毅GAN教程
- Basic
- Improving
- CycleGAN：图片风格，想换就换 | ICCV 2017论文解读
- Wasserstein GAN && GAN：两者分布不重合JS散度为log2的数学证明
- 用变分推断统一理解生成模型（VAE、GAN、AAE、ALI）
Action
- GAN学习指南：从原理入门到制作生成Demo
- 机器之心GitHub项目：GAN完整理论推导与实现
- 在Keras上实现GAN：构建消除图片模糊的应用
RNN
发展史
- 从90年代的SRNN开始，纵览循环神经网络27年的研究进展
教程
-
Awesome-Chinese-NLP
-
nlp-pytorch-zh
-
完全图解RNN、RNN变体、Seq2Seq、Attention机制
-
循环神经网络(RNN, Recurrent Neural Networks)介绍
-
RNN以及LSTM的介绍和公式梳理
-
（译）理解长短期记忆(LSTM) 神经网络
-
一文读懂LSTM和RNN
-
探索LSTM：基本概念到内部结构
-
翻译：深入理解LSTM系列
-
深入理解 LSTM 网络 (一)
-
深入理解 LSTM 网络 (二)
-
LSTM
-
深度学习其五 循环神经网络
-
用循环神经网络进行文件无损压缩：斯坦福大学提出DeepZip
-
吴恩达序列建模课程
- Coursera吴恩达《序列模型》课程笔记（1）-- 循环神经网络（RNN）
- Coursera吴恩达《序列模型》课程笔记（2）-- NLP & Word Embeddings
- Coursera吴恩达《序列模型》课程笔记（3）-- Sequence models & Attention mechanism
-
word2vec
- 原理
- NLP 秒懂词向量Word2vec的本质
- 一篇通俗易懂的word2vec
- YJango的Word Embedding--介绍
- nlp中的词向量对比：word2vec/glove/fastText/elmo/GPT/bert
- 词嵌入（word2vec）
- 谈谈谷歌word2vec的原理
- Word2Vec中为什么使用负采样？
- 训练词向量
- 练习-word2vec
- word2vec方法的实现和应用
- 自然语言处理入门 word2vec 使用tensorflow自己训练词向量
- 使用tensorflow实现word2vec中文词向量的训练
- 如何用TensorFlow训练词向量
- 原理
-
聊聊 Transformer
-
基于Transform的机器翻译系统
-
基于word2vec训练词向量(一)
-
基于word2vec训练词向量(二)
-
自然语言处理中的自注意力机制（Self-Attention Mechanism）
-
自然语言处理中注意力机制综述
-
YJango的Word Embedding--介绍
Action
- 推荐：nlp-tutorial
- nlp-tutorial
- tensorflow中RNNcell源码分析以及自定义RNNCell的方法
- TensorFlow中RNN实现的正确打开方式
- TensorFlow RNN 代码
- Tensorflow实现的深度NLP模型集锦
- 用tensorflow LSTM如何预测股票价格
- TensorFlow的多层LSTM实践
- 《安娜卡列尼娜》文本生成——利用TensorFlow构建LSTM模型
GNN
发展史
- Graph Neural Network（GNN）综述
- 深度学习时代的图模型，清华发文综述图网络
- 清华大学图神经网络综述：模型与应用
- 图神经网络概述第三弹：来自IEEE Fellow的GNN综述
- GNN最全文献资料整理 && Awesome-Graph-Neural-Networks
教程
- 如何理解 Graph Convolutional Network（GCN）
- 图卷积网络(GCN)新手村完全指南
- 何时能懂你的心——图卷积神经网络（GCN）
- 图卷积网络GCN的理解与介绍
- 一文读懂图卷积GCN
- 2020 年 GNN 开卷有益与再谈图卷积
- 【GCN】万字长文带你入门 GCN
- 如何解决图神经网络（GNN）训练中过度平滑的问题？
- 全连接的图卷积网络(GCN)和self-attention这些机制有什么区别联系 && CNN与GCN的区别、联系及融合
Action
- 图卷积网络到底怎么做，这是一份极简的Numpy实现
- DGL
三. 深度模型的优化与正则化
- 1. 优化算法纵览
- 2. 从梯度下降到Adam
- 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
- 4. 正则化技术总结
- 史上最全面的正则化技术总结与分析--part1
- 史上最全面的正则化技术总结与分析--part2
- 权重衰减（weight decay）与学习率衰减（learning rate decay） && pytorch必须掌握的的4种学习率衰减策略
- 5. 最优化算法系列（math）
- 6. 神经网络训练中的梯度消失与梯度爆炸
- 7. 神经网络的优化及训练
- 8. 通俗讲解查全率和查准率 && 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 && 机器学习之类别不平衡问题 (1) —— 各种评估指标 && 机器学习之类别不平衡问题 (2) —— ROC和PR曲线 && AUC详解与python实现 && 微平均和宏平均 && 机器学习中的性能度量 && 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么
- 激活函数一览 && 深度学习中几种常见的激活函数理解与总结
- 深度学习笔记(三)：激活函数和损失函数
- 激活函数/损失函数汇总
- 机器学习中常见的损失函数及其应用场景 && PyTorch的十八个损失函数
- 深度度量学习中的损失函数
- 反向传播算法（过程及公式推导）
- 通俗理解神经网络BP传播算法
- 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
- 11. 机器学习各种熵
- 12. 距离和相似性度量
- 13. 机器学习里的黑色艺术：normalization, standardization, regularization && 数据标准化/归一化normalization && 特征工程中的「归一化」有什么作用？
- 14. LSTM系列的梯度问题
- 15. 损失函数整理
- 16. 详解残差块为何有助于解决梯度弥散问题
- 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
- 18. Batch Normalization（BN）:1 ,2 ,3 ,4 , 5, 6, 7
- 19. 详解深度学习中的Normalization，不只是BN && 如何区分并记住常见的几种 Normalization 算法
- 20. BFGS
- 21. 详解深度学习中的梯度消失、爆炸原因及其解决方法 && 神经网络梯度消失和梯度爆炸及解决办法
- 22. Dropout, 1, 2, 3，系列解读Dropout
- 23.谱归一化（Spectral Normalization）的理解，常见向量范数和矩阵范数，谱范数正则（Spectral Norm Regularization）的理解
- 24.L1正则化与L2正则化 && 深入理解L1、L2正则化 && L2正则=Weight Decay？并不是这样 && 都9102年了，别再用Adam + L2 regularization
- 25.为什么选用交叉熵而不是MSE &&为什么使用交叉熵作为损失函数 &&二元分类为什么不能用MSE做为损失函数？&& 为什么平方损失函数不适用分类问题？
- 浅谈神经网络中的梯度爆炸问题
- 为什么weight decay能够防止过拟合
- 交叉熵代价函数（作用及公式推导） && 交叉熵损失的来源、说明、求导与pytorch实现 && Softmax函数与交叉熵 && 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
- 梯度下降优化算法纵览, 1, 2, 几种优化算法的比较（BGD、SGD、Adam、RMSPROP）
- Softmax：详解softmax函数以及相关求导过程 && softmax的log似然代价函数（公式求导） && 【技术综述】一文道尽softmax loss及其变种
- 从最优化的角度看待Softmax损失函数 && Softmax理解之二分类与多分类 && Softmax理解之Smooth程度控制 && Softmax理解之margin
- 权重初始化
- 神经网络中的权重初始化一览：从基础到Kaiming
- 深度学习中常见的权重初始化方法
- 深度学习中神经网络的几种权重初始化方法
- 谈谈神经网络权重为什么不能初始化为0
- 神经网络中的偏置（bias）究竟有这么用？
- 深度学习里面的偏置为什么不加正则？
- 为什么说bagging是减少variance，而boosting是减少bias?
四. 炼丹术士那些事
调参经验
- 训练的神经网络不工作？一文带你跨过这37个坑
- Deep Learning 之 训练过程中出现NaN问题
- 神经网络训练trick
- 你有哪些deep learning（rnn、cnn）调参的经验？
- GAN的一些小trick
- 深度学习与计算机视觉系列(8)_神经网络训练与注意点
- 神经网络训练loss不下降原因集合 && loss不下降的解决方法
- 深度学习：欠拟合问题的几种解决方案 &&过拟合和欠拟合问题
- 机器学习：如何找到最优学习率及实现
- 神经网络中 warmup 策略为什么有效
- 不平衡数据集处理方法: 其一, 其二, 其三 && Awesome Imbalanced Learning && Class-balanced-loss-pytorch
- 同一个神经网络使用不同激活函数的表达能力是否一致
- 论文笔记之数据增广：mixup
- 避坑指南：数据科学家新手常犯的13个错误
- 凭什么相信CNN的结果?--可视化
- 凭什么相信你，我的CNN模型？（篇一：CAM和Grad-CAM) && pytorch-grad-cam && Grad-CAM-tensorflow && grad-cam.tensorflow && cnn_visualization
- 凭什么相信你，我的CNN模型？（篇二：万金油LIME)
- 论文笔记:Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization
- 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)
- 大卷积核还是小卷积核? 1, 2
- 模型可解释性差？你考虑了各种不确定性了吗？
- 炼丹笔记系列
- 炼丹笔记一：样本不平衡问题
- 炼丹笔记二：数据清洗
- 炼丹笔记三：数据增强
- 炼丹笔记四：小样本问题
- 炼丹笔记五：数据标注
- 炼丹笔记六 : 调参技巧
- 炼丹笔记七：卷积神经网络模型设计
刷排行榜的小技巧
-
Kaggle 六大比赛最全面解析（上）
-
Kaggle 六大比赛最全面解析（下）
图像分类
- 炼丹笔记三：数据增强 && 数据增强(Data Augmentation)
- 【技术综述】 深度学习中的数据增强（上） && 【技术综述】深度学习中的数据增强（下）
- 深度学习数据增广技术一览
- 《Bag of Tricks for Image Classification with CNN》&& pdf
- 深度神经网络模型训练中的最新tricks总结【原理与代码汇总】 && 神经网络训练trick
- Kaggle解决方案分享
- 从0上手Kaggle图像分类挑战：冠军解决方案详解
- Kaggle 冰山图像分类大赛近日落幕，看冠军团队方案有何亮点
- 【Kaggle冠军分享】图像识别和分类竞赛，数据增强及优化算法
- 识别座头鲸，Kaggle竞赛第一名解决方案解读
- kaggle 首战拿金牌总结
- 16岁高中生夺冠Kaggle地标检索挑战赛！而且竟然是Kaggle老兵
- 6次Kaggle计算机视觉类比赛赛后感
- Kaggle首战斩获第三-卫星图像识别
目标检测
- ensemble
- deformable
- sync bn
- ms train/test
- 目标检测任务的优化策略tricks
- 目标检测小tricks--样本不均衡处理
- 汇总|目标检测中的数据增强、backbone、head、neck、损失函数
- 目标检测算法中的常见trick
- Bag of Freebies —— 提升目标检测模型性能的免费tricks
- 目标检测比赛中的tricks（已更新更多代码解析）
- Kaggle：肺癌自动诊断系统3D Deep Leaky Noisy-or Network 论文阅读
- 干货|大神教你如何参加kaggle比赛——根据CT扫描图预测肺癌
五. 年度总结
- 新年大礼包：机器之心2018高分教程合集
- 收藏、退出一气呵成，2019年机器之心干货教程都在这里了
六. 科研相关
深度学习框架
Python3.x(先修)
- The Python Tutorial
- 廖雪峰Python教程
- 菜鸟教程
- 给深度学习入门者的Python快速教程 - 基础篇
- Python - 100天从新手到大师
- Python中读取,显示,保存图片的方法 && Python的图像打开保存显示的几种方式
Numpy(先修)
-
Quickstart tutorial
-
Numpy快速入门(Numpy 1.14 官方文档中文翻译)
-
Numpy中文文档
-
给深度学习入门者的Python快速教程 - numpy和Matplotlib篇
Opencv-python
- OpenCV-Python Tutorials
- OpenCV官方教程中文版（For Python）
- 数字图像处理系列
- python+OpenCV图像处理
- 给深度学习入门者的Python快速教程 - 番外篇之Python-OpenCV
Pandas
- Python 数据科学入门教程：Pandas
Tensorflow
- 如何高效地学习 TensorFlow 代码
- 中文教程
- TensorFlow官方文档
- CS20:Tensorflow for DeepLearning Research
- 吴恩达TensorFlow专项课程
- 【干货】史上最全的Tensorflow学习资源汇总
- 《21个项目玩转深度学习———基于TensorFlow的实践详解》
- 最全Tensorflow2.0 入门教程持续更新
- Github优秀开源教程
MXNet
- Gluon
- GluonCV
- GluonNLP
PyTorch
- Pytorch版动手学深度学习
- PyTorch中文文档
- WELCOME TO PYTORCH TUTORIALS
- 史上最全的PyTorch学习资源汇总
- 【干货】史上最全的PyTorch学习资源汇总
- Hands-on tour to deep learning with PyTorch
- pytorch学习(五)—图像的加载/读取方式 && PyTorch—ImageFolder/自定义类 读取图片数据
深度学习常用命令
- command_for_deeplearning
- Shell编程
Python可视化
- Top 50 matplotlib Visualizations – The Master Plots (with full python code)
- Python之MatPlotLib使用教程
- 十分钟上手matplotlib，开启你的python可视化
- 给深度学习入门者的Python快速教程 - numpy和Matplotlib篇
标注工具
- 目标检测标注工具
- labelImg
- 语义分割标注工具
- labelme
数据集
- 1. 25个深度学习相关公开数据集
- 2. 自然语言处理（NLP）数据集
- 3.全唐诗(43030首)
- 4. 伯克利大学公开数据集
- 5. ACL 2018资源：100+ 预训练的中文词向量
- 6. 预训练中文词向量
- 7. 公开数据集种子库
- 8. 计算机视觉，深度学习，数据挖掘数据集整理
- 9. 计算机视觉著名数据集CV Datasets
- 10. 计算机视觉相关数据集和比赛
- 11. 这是一份非常全面的开源数据集，你，真的不想要吗？
- 12. 人群密度估计现有主要数据集特点及其比较
- 13. DANBOORU2017: A LARGE-SCALE CROWDSOURCED AND TAGGED ANIME ILLUSTRATION DATASET
- 14. 行人重识别数据集
- 15. 自然语言处理常见数据集、论文最全整理分享
- 16. paper, code, sota
- 17. 旷视RPC大型商品数据集发布！
- 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)
- 19.【OCR技术】大批量生成文字训练集
- 20. 语义分析数据集-MSRA
- IEEE DataPort
- 数据集市
- 医疗/医学图像数据集：Medical Data for Machine Learning && 医疗领域图像挑战赛数据集 && 【医学影像系列：一】数据集合集 最新最全 && medical-imaging-datasets && 【数据集】一文道尽医学图像数据集与竞赛 && 医学图像数据集汇总
记笔记工具
- Markdown编辑器：Typora介绍
- Markdown语法介绍（常用）
- Markdown 语法手册 （完整整理版）
- Markdown中Latex 数学公式基本语法
会议期刊列表
- 国际会议日期表
- ai-deadlines
- Keep Up With New Trends
- 计算机会议排名等级
- 中国计算机学会(CCF)推荐国际学术刊物和会议
论文写作工具
- Windows: Texlive+Texstudio
- Ubuntu: Texlive+Texmaker
- Latex：基本用法、表格、公式、算法
- LaTeX 各种命令，符号
论文画图工具
- Visio2016
- Matplotlib
论文写作教程
- 刘知远_如何写一篇合格的NLP论文
- 刘洋_如何写论文_V7
- 如何端到端地写科研论文-邱锡鹏
- 论文Introduction写作其一, 论文Introduction写作其二, 论文Introduction写作其三
- 毕业论文怎么写
- 浅谈学术论文rebuttal && 学术论文投稿与返修（Rebuttal）分享
- 研之成理写作实验室
- 智源论坛·论文写作专题报告会：《论文写作小白的成长之路》 && 《谈如何写一篇合格的国际学术论文》 && 《计算机视觉会议论文从投稿到接收》
ResearchGos
- ResearchGo:研究生活第一帖——文献检索与管理
- ResearchGo:研究生活第二贴——文献阅读
- ResearchGo:研究生活第三帖——阅读辅助
- ResearchGo:研究生活第四帖——文献调研
- ResearchGo:研究生活第五帖——文献综述
- ResearchGo:研究生活第六帖——如何讲论文
- ResearchGo:研究生活第七帖——专利检索与申请
- ResearchGo:研究生活第八帖——写论文、做PPT、写文档必备工具集锦
毕业论文排版
- 吐血推荐收藏的学位论文排版教程（完整版）
- 论文怎么写——如何修改毕业论文格式
信号处理
傅里叶变换
- 傅里叶分析之掐死教程（完整版）更新于2014.06.06
- 如何简明的总结傅里叶变换？
- 从连续时间傅里叶级数到快速傅里叶变换
- 十分简明易懂的FFT（快速傅里叶变换）
- 傅里叶级数推导过程
小波变换
-
形象易懂讲解算法I——小波变换
-
小波变换完美通俗讲解系列之 （一） && 小波变换完美通俗讲解系列之 （二）
实战
- MWCNN中使用的haar小波变换 pytorch
- 【小波变换】小波变换入门----haar小波
- （3）小波变换原理及应用
- 图像处理-小波变换
机器学习理论与实战
- 机器学习原理:star:
- ID3、C4.5、CART、随机森林、bagging、boosting、Adaboost、GBDT、xgboost算法总结
- 数据挖掘十大算法简要说明，机器学习十大经典算法入门 && 【算法模型】轻松看懂机器学习十大常用算法
- AdaBoost到GBDT系列
- 当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting
- 当我们在谈论GBDT：Gradient Boosting 用于分类与回归
- 当我们在谈论GBDT：其他 Ensemble Learning 算法
机器学习理论篇之经典算法
信息论
- 1. 机器学习中的各种熵
- 2. 从香农熵到手推KL散度：纵览机器学习中的信息论
多层感知机(MLP)
- 多层感知机（MLP）学习与总结博客
- 多层感知机：Multi-Layer Perceptron
- 神经网络基础-多层感知器(MLP)
k近邻(KNN)
- 机器学习之KNN（k近邻）算法详解
k均值(K-means)
- Kmeans聚类算法详解
朴素贝叶斯(Naive Bayesian)
- 一个例子搞清楚（先验分布/后验分布/似然估计）
- 朴素贝叶斯分类器（Naive Bayesian Classifier）
- 朴素贝叶斯分类器 详细解析
决策树(Decision Tree)
- 最常见核心的决策树算法详细介绍，含ID3、C4.5、CART:star: && 最常用的决策树算法！Random Forest、Adaboost、GBDT 算法:star: && 终于有人把XGBoost 和 LightGBM 讲明白了，项目中最主流的集成算法！:star:
- 为什么xgboost要用泰勒展开，优势在哪里
- 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
- 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
- 机器学习实战教程（十三）：树回归基础篇之CART算法与树剪枝
- 《机器学习实战》基于信息论的三种决策树算法(ID3,C4.5,CART)
- 说说决策树剪枝算法
- 机器学习实战 第九章 树回归
- 决策树值ID3、C4.5实现
- 决策树之CART实现
随机森林(Random Forest)
- 随机森林和GBDT的区别
- 随机森林（Random Forest）入门与实战
- 随机森林之特征选择
线性回归（Linear Regression）
- 线性回归最小二乘法和最大似然估计
- 【从入门到放弃】线性回归
- 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
- 机器学习笔记四：线性回归回顾与logistic回归
逻辑回归(Logistic Regression)
- 【机器学习面试总结】—— LR（逻辑回归）
- 【机器学习面试题】逻辑回归篇
- 极大似然概率和最小损失函数，以及正则化简介
- GLM(广义线性模型) 与 LR(逻辑回归) 详解
支持向量机(SVM)
- 【机器学习面试总结】—— SVM
- SVM系列-从基础到掌握
- SVM通俗导论 July
- 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？ && SVM中，高斯核为什么会把原始维度映射到无穷多维？ && svm核函数的理解和选择 && 核函数和径向基核函数 (Radial Basis Function)--RBF && SVM核函数
提升方法(Adaboost)
- 当我们在谈论GBDT：从 AdaBoost 到 Gradient Boosting
梯度提升决策树(GBDT)
- LightGBM大战XGBoost
- 概述XGBoost、Light GBM和CatBoost的同与不同 && XGBoost、LightGBM、Catboost总结 && XGBoost、Light GBM和CatBoost的参数及性能比较
- 梯度提升决策树
- GBDT原理及应用
- XGBOOST原理篇
- xgboost入门与实战（原理篇） && xgboost入门与实战（实战调参篇）
- 【干货合集】通俗理解kaggle比赛大杀器xgboost
- GBDT分类的原理及Python实现
- GBDT原理及利用GBDT构造新的特征-Python实现
- Python+GBDT算法实战——预测实现100%准确率
- xgboost之近似分位数算法（直方图算法）详解
EM(期望最大化)
- 人人都懂的EM算法
- EM算法入门文章
高斯混合模型(GMM)
- 高斯混合模型与EM算法的数学原理及应用实例
- 高斯混合模型（GMM）
马尔科夫决策过程(MDP)
- 马尔科夫决策过程之Markov Processes（马尔科夫过程）
- 马尔科夫决策过程之Markov Reward Process（马尔科夫奖励过程）
- 马尔科夫决策过程之Bellman Equation（贝尔曼方程）
- 马尔科夫决策过程之Markov Decision Process(马尔科夫决策过程)
- 马尔科夫决策过程之最优价值函数与最优策略
条件随机场(CRF, 判别式模型)
- 如何轻松愉快地理解条件随机场
- 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？
- HMM ,MHMM,CRF 优缺点与区别
降维算法
- 数据降维算法-从PCA到LargeVis
- 12种降维方法终极指南（含Python代码）
主成分分析(PCA)
- 主成分分析（PCA）原理详解
- 图文并茂的PCA教程
- PCA数学原理
奇异值分解(SVD)
- 强大的矩阵奇异值分解(SVD)及其应用
- 奇异值分解（SVD）
- 奇异值分解(SVD)原理详解及推导
- SVD在推荐系统中的应用详解以及算法推导
线性判别分析(LDA)
- 教科书上的LDA为什么长这个样子？
标签传播算法(Label Propagation Algorithm)
- 标签传播算法（Label Propagation）及Python实现
- 参考资料
蒙塔卡罗树搜索(MCTS)
- 蒙特卡洛树搜索入门指南
集成(Ensemble)
-
集成学习之bagging,stacking,boosting概念理解 && Bagging和Boosting的总结
-
集成学习法之bagging方法和boosting方法
-
Bagging,Boosting,Stacking && 常用的模型集成方法介绍：bagging、boosting 、stacking
t分布随机邻居嵌入(TSNE)
- 流形学习-高维数据的降维与可视化
- tSNE
- 使用t-SNE可视化图像embedding
谱聚类(Spectral Clustering)
- 谱聚类（Spectral Clustering）算法介绍
- 聚类5--谱和谱聚类
异常点检测
- 数据挖掘中常见的「异常检测」算法有哪些？
- 异常点检测算法综述
- 异常检测的N种方法，其中有一个你一定想不到
- 异常检测资源汇总：anomaly-detection-resources
机器学习实战篇
- 机器学习中，有哪些特征选择的工程方法？ && 机器学习（四）：数据预处理--特征工程概述 && 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 && 特征工程中的「归一化」有什么作用
- 15分钟带你入门sklearn与机器学习——分类算法篇 && 如何为你的回归问题选择最合适的机器学习方法？
- 十分钟上手sklearn：安装，获取数据，数据预处理 && 十分钟上手sklearn：特征提取，常用模型，交叉验证
- MachineLearning_Python
- Machine Learning Course with Python
- Statistical-Learning-Method_Code
- Python3机器学习
- 含大牛总结的分类模型一般需要调节的参数
机器学习、深度学习的一些研究方向
多任务学习(Multi-Task Learning)
- 模型汇总-14 多任务学习-Multitask Learning概述
- (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)
- Multi-task Learning and Beyond: 过去，现在与未来；
零次学习(Zero Shot Learning)
- 零次学习（Zero-Shot Learning）入门
小样本学习(Few-Shot Learning)
- few-shot learning是什么
- 零次学习（Zero-Shot Learning）入门
- 小样本学习（Few-shot Learning）综述
- Few-Shot Learning in CVPR 2019
- 当小样本遇上机器学习 fewshot learning
多视觉学习(Multi-View Learning)
- Multi-view Learning 多视角学习入门
- 多视角学习 (Multi-View Learning)
嵌入(Embedding)
- 万物皆Embedding，从经典的word2vec到深度学习基本操作item2vec
- YJango的Word Embedding--介绍
迁移学习(Transfer Learning)
- 1. 迁移学习：经典算法解析
- 2. 什么是迁移学习 (Transfer Learning)？这个领域历史发展前景如何？
- 3. 迁移学习个人笔记
- 迁移学习总结(One Shot Learning, Zero Shot Learning)
域自适应(Domain Adaptation)
- Domain Adaptation视频教程（附PPT）及经典论文分享
- 模型汇总15 领域适应性Domain Adaptation、One-shot/zero-shot Learning概述
- 【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
- 【论文阅读笔记】基于反向传播的无监督域自适应研究
- 【Valse大会首发】领域自适应及其在人脸识别中的应用
- CVPR 2018：基于域适应弱监督学习的目标检测
元学习(Meta Learning)
- 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
强化学习(Reinforcement Learning)
- 强化学习（Reinforcement Learning）知识整理
- 强化学习从入门到放弃的资料
- 强化学习入门
- 强化学习入门 第一讲 MDP
- 强化学习——从Q-Learning到DQN到底发生了什么？
- 从强化学习到深度强化学习（上）
- 从强化学习到深度强化学习（下）
- 一文带你理解Q-Learning的搜索策略
对比学习(Contrastive Learning)
- 论文列表
- 对比学习（Contrastive Learning）:研究进展精要
- 对比学习（Contrastive Learning）综述
- 理解对比损失的性质以及温度系数的作用
推荐系统(Recommendation System)
论文列表
- Embedding从入门到专家必读的十篇论文
- Reco-papers
- Ad-papers
- deep-recommender-system
- CTR预估系列入门手册
教程
- 推荐系统从入门到接着入门
- 深度学习推荐系统笔记
- 推荐系统干货总结
- 入门推荐系统，你不应该错过的知识清单
- 从零开始了解推荐系统全貌
- 推荐系统玩家 之 推荐系统入门——推荐系统的发展历程（上）
- 推荐系统技术演进趋势：从召回到排序再到重排
- 深入理解推荐系统：召回 && 深入理解推荐系统：排序
- 召回算法有哪些
- 《深度学习推荐系统》总结系列一 && 《深度学习推荐系统》总结系列二
- 推荐系统--完整的架构设计和算法(协同过滤、隐语义) && 从0到1打造推荐系统-架构篇
- 协同过滤和基于内容推荐有什么区别？
- CTR深度交叉特征入门总结
- 推荐系统学习笔记
实战
- AI-RecommenderSystem
- team-learning-rs
- RecommendSystemPractice
- Surprise
Repo liên quan
tensorflow/tensorflow
TensorFlow is Google's open-source, end-to-end platform for machine learning, hosted at tensorflow/tensorflow under the Apache-2.0 license. It was originally built within Google Brain's Machine Intelligence team for ML and neural network research, and today it ships stable Python and C++ APIs alongside GPU, CPU-only, and Docker install paths. The README positions it as covering both research work and shipping ML-powered applications.
★ 197.1k
huggingface/transformers
Hugging Face Transformers (huggingface/transformers) is a Python library that centralizes model definitions for text, computer vision, audio, video, and multimodal machine learning, covering both inference and training. The README describes it as a pivot point compatible with training frameworks such as Axolotl, DeepSpeed, and PyTorch-Lightning, and inference engines such as vLLM, SGLang, and TGI, with more than 1M+ model checkpoints listed on the Hugging Face Hub.
★ 163.4k
rasbt/LLMs-from-scratch
LLMs-from-scratch is Sebastian Raschka's GitHub companion to the Manning book Build a Large Language Model (From Scratch), ISBN 9781633437166. It walks through building, pretraining, and finetuning a GPT-style model in PyTorch across seven chapters and five appendices, plus a growing set of bonus notebooks covering newer open architectures.
★ 103.0k
pytorch/pytorch
PyTorch is an open-source Python package hosted at pytorch/pytorch on GitHub, built around two core capabilities: NumPy-like Tensor computation with GPU acceleration, and deep neural networks built through a tape-based autograd system. Its components include torch.nn for network layers, torch.jit for compiling models into TorchScript, and torch.multiprocessing for sharing Tensors across processes, with build support for CUDA, AMD ROCm, and Intel GPU backends documented in the README.
★ 102.3k
CÂU HỎI THƯỜNG GẶP
Trả lời nhanh
Cùng nhóm AI Tools còn repo nào?
Mikoto10032/DeepLearning thuộc nhóm AI Tools trên TopGit, cùng 12 topic GitHub. Trang Trending và Topics liệt kê các repo cùng số sao và cùng ngôn ngữ để so sánh.
Đọc thêm về Mikoto10032/DeepLearning ở đâu?
Trang TopGit này là một snapshot — tab "Readme" hiển thị nguyên văn README của repo (đã bỏ link, giữ ảnh). Repo GitHub ở github.com/Mikoto10032/DeepLearning là nguồn chính thức.
Mikoto10032/DeepLearning có phải mã nguồn mở không?
Có — Mikoto10032/DeepLearning phát hành theo license Apache-2.0, nghĩa là mã nguồn mở để đọc, fork và (tùy license) tái sử dụng. Mã: github.com/Mikoto10032/DeepLearning.
Mikoto10032/DeepLearning có website riêng không?
TopGit chưa ghi nhận URL trang chủ cho Mikoto10032/DeepLearning. Phần README ở tab phía trên thường có link demo, hoặc xem mô tả GitHub của repo.
Mikoto10032/DeepLearning dùng license gì?
Mikoto10032/DeepLearning phát hành theo license Apache-2.0. Nên mở file LICENSE trên GitHub để xác nhận — license metadata đôi khi lệch với thực tế dự án.
Mikoto10032/DeepLearning là gì?
Mikoto10032/DeepLearning (Mikoto10032/DeepLearning) là dự án Jupyter Notebook trên GitHub. Theo mô tả gốc: 深度学习入门教程, 优秀文章, Deep Learning Tutorial
Vì sao Mikoto10032/DeepLearning được xếp vào nhóm AI Tools?
TopGit xếp Mikoto10032/DeepLearning vào nhóm AI Tools dựa trên GitHub topics và mô tả của repo (gắn thẻ: "cnn", "deep-learning", "deeplearning"). Việc phân loại dựa trên metadata thật của repo, không phải đoán theo cảm tính biên tập.
Đọc đầy đủ README ở tab phía trên.
DeepLearning có đáng để bạn bỏ thời gian?
ChatGPT, Claude và Perplexity đều đọc được trang này. Hỏi thử xem họ nghĩ gì về DeepLearning.