深度学习（Deep Learning）资料大全（不断更新）

Deep Learning（深度学习）学习笔记（不断更新）：

Deep Learning（深度学习）学习笔记之系列（一）

深度学习（Deep Learning）资料（不断更新）：新增数据集，微信公众号写的更全些

为了您第一时间能获取到最新资料，请关注微信公众号：大数据技术宅

深度学习（Deep Learning）资料大全（不断更新）

相关Paper（不断更新）

笔者先从多个渠道整理了几篇，后续边看边更新。

1、Densely Connected Convolutional Networks

2、Learning From Simulated and Unsupervised Images through Adversarial Training

3、Annotating Object Instance with a Polygon-RNN

4、YOLO9000: Better, Faster, Stronger

5、Computational Imaging on the Electric Grid

6、Object retrieval with large vocabularies and fast spatial matching

7、Improving Information Extraction by Acquiring External Evidence with Reinforcement Learning

8、Pointing the Unknown Words

9、LightRNN Memory and Computation-Efficient Recurrent Neural Network

10、Language Modeling with Gated Convolutional Networks

11、Recurrent neural network based language model

12、Extensions of Recurrent Neural Network Language Model

13、A guide to recurrent neural networks and backpropagation

14、Training Recurrent Neural Networks

15、Recurrent Neural Networks for Language Understanding

16、Empirical Evaluation and Combination of Advanced Language Modeling Techniques

17、Speech Recognition with Deep Recurrent Neural Networks

18、A fast learning algorithm for deep belief nets

19、Large Scale Distributed Deep Networks

20、Context Dependent Pretrained Deep Neural Networks fo Large Vocabulary Speech Recognition

21、An Empirical Study of Learning Rates in Deep Neural Networks for Speech Recognition

22、Deep Neural Networks for Acoustic Modeling in Speech Recognition

23、Deep Belief Networks Using Discriminative Features for Phone Recognition

24、Improving Deep Neural Networks For LVCSR using Rectified Linear Units and Dropout

25、Improved feature processing for Deep Neural Networks

26、Exploiting Sparseness in Deep Neural Networks fo Large Vocabulary Speech Recognition

27、Learning Features from Music Audio with Deep Belief Networks

28、Making Deep Belief Networks Effective for Large Vocabulary Continuous Speech Recognition

29、Robust Visual Recognition Using Multilayer Generative Neural Networks

30、Deep Convolutional Network Cascade for Facial Point Detection

31、ImageNet Classification with Deep Convolutional Neural Networks

32、Gradient-Based Learning Applied to Document Recognition

33、Stochastic Pooling for Regularization of Deep Convolutional Neural Networks

34、Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis

35、Multi-GPU Training of ConvNets

36、Deep Learning For Signal And Information Processing

37、Deep Convex Net: A Scalable Architecture for Speech Pattern Classification

38、Improving Wideband Speech Recognition using Mixed-Bandwidth Training Data in CD-DNN-HMM

39、On Rectified Linear Units for Speech Processing

更新中。。。

相关书籍（不断更新）

笔者刚着手学习，非大牛，不敢说“推荐”书籍，仅罗列所看的。

1、Deep Learning，出自Goodfellow、Bengio 和 Courville 三位大牛之手，笔者刚开始看，后续再对书籍作评论

如果需要《Deep Learning》中文电子版书籍，请后台回复“深度学习”获取

更新中。。。

数据集（不断更新）：

一、图像数据集

1.MNIST:https://datahack.analyticsvidh ... gits/

MNIST是最受欢迎的深度学习数据集之一，这是一个手写数字数据集，包含一组60,000个示例的训练集和一个包含10,000个示例的测试集。这是一个很好的数据库，用于在实际数据中尝试学习技术和深度识别模式，同时可以在数据预处理中花费最少的时间和精力。

•大小： 50 MB
•记录数量： 70,000张图片被分成了10个组。
•SOTA： Capsules之间的动态路由

https://arxiv.org/pdf/1710.09829.pdf

2.MS-COCO:http://cocodataset.org/#home

COCO是一个大型的、丰富的物体检测，分割和字幕数据集。它有几个特点：

•对象分割；
•在上下文中可识别；
•超像素分割；
•330K图像（> 200K标记）；
•150万个对象实例；
•80个对象类别；
•91个类别；
•每张图片5个字幕；
•有关键点的250,000人；
•大小：25 GB（压缩）
•记录数量： 330K图像、80个对象类别、每幅图像有5个标签、25万个关键点。
•SOTA：Mask R-CNN：https://arxiv.org/pdf/1703.06870.pdf

3.ImageNet：http://www.image-net.org/

ImageNet是根据WordNet层次结构组织的图像数据集。WordNet包含大约100,000个单词，ImageNet平均提供了大约1000个图像来说明每个单词。

大小：150GB

记录数量：总图像是大约是1,500,000，每个都有多个边界框和相应的类标签。

SOTA：深度神经网络的聚合残差变换。

https://arxiv.org/pdf/1611.05431.pdf

更多精彩内容，欢迎扫码关注以下微信公众号：大数据技术宅。大数据、AI从关注开始