本站所有的深度学习文章汇总。
写在前面
机器学习和深度学习近两年发展很快，人工智能也将改变人类的方方面面。深度学习是机器学习的一部分，而机器学习又是人工智能的子集。虽说深度学习入门较慢，门槛较高，在如今信息海量的时代，只有稍有自学能力，拥有从互联网中获取资源的能力，那么机器学习和深度学习不是问题。该专栏收集本站所有有关深度学习方面的文章并进行整理方便查阅。
入门
入门是第一步，入门的时间一般为3-6个月左右，当然每个人学习进度和时间把控都不一样，所以衡量入门的标准也不能全靠时间，当入门资料都仔细过了一边时，可以写一些简单的程序后，就算是入门了。
- 一篇文章解决机器学习，深度学习入门疑惑。
- 吴恩达机器学习新书:MACHINE LEARNING YEARNING免费获取
- 给你一份配置清单:机器学习、深度学习电脑显卡配置指南
- 戴尔成就微塔式小机箱装华硕1060-6G大显卡
- python深度学习库pytorch::transforms练习:opencv,scikit-image,PIL图像处理库比较
- 深度学习为什么需要那么多的数据？
- 研究生_深度学习一年来的感受
- 浅谈深度学习的落地问题
- 一文了解目标检测/图像分割/coco数据集检测评价标准
- 新显卡出世，我们来谈谈与深度学习有关的显卡架构和相关技术
- 如何利用好FASTAI——新版本fastai-v1.0快速入门
- 我的模型能跑多快——神经网络模型速度调研(一)
训练技巧
环境配置
环境配置不重要，但也是每个人必经的一步。如果一开始配置不好，不仅在前期会浪费大量的配置时间和自身的精力，在之后的使用中也可能会遇到各式各样的问题，所以说，配置要配好，不要偷懒。
- anaconda常用命令配置信息及更换源
- win10下Anaconda3配置环境变量
- 深度学习-在ubuntu16.04安装CUDA9.1-总结(问题完全解决方案)
- ubuntu16.04下安装NVIDIA（cuda）-gtx965m相关步骤以及问题
- pytorch-0.2成功调用GPU：ubuntu16.04，Nvidia驱动安装以及最新cuda9.0与cudnnV7.0配置
- 关于在ubuntu上源码安装TensorFLow-1.7.0-cuda9.1-cudnn7.1.2过程中问题解决方案
- 安装cuda9.1内核问题：Unable to locate the kernel source
- Tesla-M60云服务器,pytorch0.3-cuda8.0-cudnn6.0-利用pycharm远程调试
- win10下安装使用pytorch以及cuda9、cudnn7.0
- 深度学习必备：通过VNC连接ubuntu（linux）工作站
- 关于Ubuntu16.04上N卡驱动导致滚动屏幕卡顿问题
- 新显卡出世，我们来谈谈与深度学习有关的显卡架构和相关技术
- CUDA,CUDNN工具箱多版本安装、多版本切换
- 更新深度学习装备:双(1080Ti)显卡装机实录
显卡评价
学习笔记
- 吴恩达-Machine learning Yearning-机器学习训练秘籍-中文完整版
- 警惕！损失Loss为Nan或者超级大的原因
- 非线性激活层：RELU还是LRELU？
- 如何根据训练/验证损失曲线诊断我们的CNN
- 关于训练神经网路的诸多技巧Tricks(完全总结版)
数据集
数据集是也是比较重要的一环，一些数据集是免费的而且质量也很好，还有一些数据集可能需要参加某些比赛才可以获得，或者需要支付一些费用。
图像处理算法
传统的图像处理算法是基础，我们也必须要了解和明白。
TensorFlow.js
深度学习者的玩具，可以陶冶情操，开怀大笑！
深度学习算法
深度学习算法很多，暂时先大致分成一类，之后会进行细分，请持续关注。
- 深度学习-TF、keras两种padding方式：vaild和same
- 在pytorch中实现与TensorFlow类似的”same”方式padding
- 一边Upsample一边Convolve：Efficient Sub-pixel-convolutional-layers详解
- 利用pytorch实现迁移学习(Transfer Learning)
- TensorFlow中滑动平均模型介绍
- 浅谈深度学习中超参数调整策略
- 利用pytorch浅谈深度学习训练中数据规范化(Normalization)的重要性
- 关于CS231N-Assignment1-KNN中no-loop矩阵乘法代码的讲解
- 利用pytorch实现神经网络风格迁移Neural Transfer
- 深度学习中IU、IoU(Intersection over Union)的概念理解以及python程序实现
- 深度学习图像分割（一）——PASCAL-VOC2012数据集（vocdevkit、Vocbenchmark_release）详细介绍
- 利用pytorch实现GAN(生成对抗网络)-MNIST图像-cs231n-assignment3
- 利用pytorch实现Fooling Images(添加特定噪声到原始图像,使神经网络误识别)
- 利用pytorch实现Visualising Image Classification Models and Saliency Maps
- 风格迁移(Style Transfer)中直方图匹配(Histogram Match)的作用-附pytorch直方图匹配代码
- 先读懂CapsNet架构然后用TensorFlow实现：全面解析Hinton提出的Capsule
- 直方图损失:Histogram Loss详解
- 浅谈深度学习:如何计算模型以及中间变量的显存占用大小
- 深度学习中数据集很小是一种什么样的体验
- 深度学习为什么需要那么多的数据？
- 理解深度学习:与神经网络相似的网络-自编码器(上)
- 生动形象好玩的深度学习资源推荐(一)
深度学习库:Pytorch相关
请到Pytorch专栏 ~~
关于及时更新
可以通过博客页面上方的熊掌号进行关注，也可以关注Oldpan博客公众号及时获取更新消息：
