非专业的nlp、图像工程师，tensorflow调包工程师，注重快速实现，那么，让我们一起做点有趣的事情吧！ 这个工程的目的是将自己在工程和学术研究中，一些应用到深度学习的思路和方法整理汇总出来：
- 帮助深度学习入门同学快速上手
- 提供一些在现有的机器学习方向上的新的方向和思路的整理
- 解锁思维的禁锢
关于深度学习相关的浅入浅出的介绍，可以快速入门一下浅入浅出深度学习理论实践。
关于深度学习相关的点击预估的介绍，可以快速入门一下yoho注册概率预估。
关于深度学习相关的图像识别的介绍，可以快速入门一下基于SSD下的图像内容识别（一），基于SSD下的图像内容识别（二）。
关于深度学习相关的目标向量化的介绍，可以快速入门一下深度学习下的电商商品推荐。
关于深度学习相关的多层感知机的介绍，可以快速入门一下基于Tensorflow实现多层感知机网络MLPs。
关于深度学习相关的deepfm的介绍，可以快速入门一下基于Tensorflow实现DeepFM。
关于深度学习相关的Deep Neural Networks for YouTube Recommendations的介绍，可以快速入门一下利用DNN做推荐的实现过程总结。
关于深度学习相关的RCNN_GRU的介绍，后续会在我的博客中更新
利用GRU，提取用户的行为时序稀疏特征，并产出stack初始层的思路
利用全连接+CNN，提取稀疏特征，并产出stack初始层的思路
网络结构
Google 推荐算法的代码修正，原始代码来源于网络但是不能执行及流程不完整，修复代码demo，现可以直接复制后使用
网络结构
注意
在Linux环境下，tensorflow==1.0.0会有如下的报错，而MacBook环境下，tensorflow=1.0.0就不会报错：
double free or corruption (!prev): 0x0000000001f03dd0 ***解决方法是更新版本到1.6.0（其他版本我没试），官方之前有人提过issue，大家注意一哈！
利用ssd直接实现物体区域识别
图片版效果：
视频版本地址：
利用样本频率+Huffman树路径最大概率的方法，实现特征向量化的思路
最简单的入门级神经网络算法
入门级别的CTR Prediction的神经网络算法
最近在利用来自google的YouTube团队发表在16年9月的RecSys会议的论文Deep Neural Networks for YouTube Recommendations做用户个性化商品推荐，看到不少论文上的理论总结分析，都很精彩，我手动实现了一遍，总结了一些实际工程中的体会，给大家也给自己一个总结交代。
normal_version：按照论文未修改的basemodel
attention_version：在basemodel的基础上，加了attention机制（线性attention/rnn attention）
record_dataformat_version：在basemodel的基础上，利用record机制存储数据，加快训练速度
RCNN_GRU/model: 初始化模型的脚本
RCNN_GRU/process: 数据预处理的脚本
- python 3.6
- tensorflow 1.0.0
- nltk 3.2.4
- jieba 0.39
- data_preprocessing 0.0.2
鄙人才疏学浅，不免有错误的地方，如果你发现了，麻烦通过以下的方式告知：
- WeChat:sharalion
- Issue
- E-mail:stw386@sina.com
- Message Board in my bolg
- 公众号：ml_trip
