Deep Learning Course Codes

Notes, Codes, and Tutorials for the Deep Learning Course at ChinaHadoop

注意每一份代码分别有Jupyter Notebook, Python, 以及HTML三种形式，大家可以按照自己的需求阅读，学习或运行。 运行时需要注意anaconda的版本问题，anaconda2-5.0.0与anaconda3-5.0.0分别对应python2.7与python3.6环境。

重要参考资料：Deep Learning Book读书笔记

学习资料：

1. Effective TensorFlow - TensorFlow tutorials and best practices.
2. Finch - Many Machine Intelligence models implemented (mainly tensorflow, sometimes pytorch / mxnet)
3. Pytorch Tutorials - PyTorch Tutorial for Deep Learning Researchers.
4. MXNet the straight dope - An interactive book on deep learning. Much easy, so MXNet. Wow.

第一讲：深度学习课程总览与神经网络入门

代码示例：TensorFlow基础与线性回归模型(TensorFlow, PyTorch)

• MNIST数据集演示
• TensorFlow基础
• 线性回归模型-TensorFlow
• 线性回归模型-PyTorch
• 线性回归模型-MXNet (contributed by LinkHS)

第二讲：传统神经网络

代码示例：K近邻算法，线性分类，以及多层神经网络(TensorFlow, PyTorch)

• K近邻算法在图像分类上的应用
• 多层神经网络示例-TensorFlow
• 多层神经网络示例-PyTorch

第三讲：卷积神经网络基础

代码示例：卷积神经网络的基础实现(TensorFlow)

• 卷积神经网络基础示例-原生实现
• 卷积神经网络基础示例-主流实现

第四讲：卷积神经网络进阶

代码示例：卷积神经网络的进阶实现(TensorFlow)

• 卷积神经网络进阶示例与可视化
• 卷积神经网络进阶示例-TF-Slim实现

• 准备自定义数据集训练卷积神经网络
• 使用自定义数据集训练卷积神经网络

• 使用训练好的VGG网络模型
• 使用自定义数据集训练VGG网络模型

• 基于TensorBoard的CNN可视化

• 更多基于TF-Slim的预训练模型

第五讲：深度神经网络：目标分类与识别

代码示例：深度神经网络-图像识别与分类(TensorFlow, PyTorch)

• 安装TensorLayer (中文文档参见此处，此后复杂实现均推荐使用TensorLayer高级API库，同时可以结合TF-Slim与Keras)

pip install git+https://github.com/zsdonghao/tensorlayer.git

• 安装OpenCV python接口

conda install -c menpo opencv3 

• 所需数据集下载：data.zip: [微云][百度云] (覆盖./05_Image_recognition_and_classification/data文件夹)  
• 所需模型下载： vgg19.npz  [微云][百度云] (放置于./05_Image_recognition_and_classification文件夹下)  
• 所需模型下载：inception_v3.ckpt [微云][百度云] (放置于./05_Image_recognition_and_classification文件夹下)

• 图像识别与分类示例教程

• VGG19图像分类模型-TensorLayer实现

• InceptionV3图像分类模型-TensorLayer结合TF-SLim实现

• Wide-ResNet网络模型-TensorLayer实现

• Class Activation Mapping (CAM)示例 (完整实现可参考此处)

第六讲：深度神经网络：目标检测与追踪

第七讲：深度神经网络：目标分割

第八讲：循环神经网络与序列模型

第九讲：无监督式学习

第十讲：增强学习