深度学习不错的资源

最新推荐文章于 2025-08-13 20:58:52 发布
原创 最新推荐文章于 2025-08-13 20:58:52 发布 · 588 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

本文精选了深度学习领域的优质学习资源，包括李宏毅的《1天搞懂深度学习》、TensorFlow入门教程及实战案例等内容，适合不同阶段的学习者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习导论- 读李宏毅《1天搞懂深度学习》 http://www.cnblogs.com/wdsunny/p/6477018.html


TensorFlow深度学习，一篇文章就够了         http://blog.jobbole.com/105602/

极客学院 TensorFlow      http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/introduction.html


莫烦 tensorflow 神经网络 教程 http://list.youku.com/albumlist/show?id=27327189&asce

机器学习知识体系 http://www.cnblogs.com/wdsunny/p/6362044.html

tensorflow入门教程没不错          http://www.cnblogs.com/denny402/tag/tensorflow/

深度学习FPGA实现基础知识6(Deep Learning（深度学习）学习资料大全及优快云大牛博客推荐)
时间的诗
06-06 3万+
需求说明：深度学习FPGA实现知识储备 来自：时间的诗 第一部分：博客大牛（深度学习方向） 1、http://blog.csdn.net/zouxy09 研究方向：机器学习、计算机视觉、人机交互和人工智能等领域 作品：Deep Learning（深度学习）学习笔记整理系列 网友评价：深入浅出、条理清晰、内容全面、适合反复阅读 2、h
用一个小游戏入门深度强化学习
aliceyangxi1987的博客
10-05 1027
今天我们来用深度强化学习算法 deep Q-learning 玩 CartPole 游戏。 强化学习是机器学习的一个重要分支，通过强化学习我们可以创建一个 agent，让它与环境不断地互动，不断试错，自主地从中学习到知识，进而做出决策。 如图所示，agent 收到环境的状态 state，做出行动 action，行动后会得到一个反馈，反馈包括奖励 reward 和环境的下一个状态 next_stat...
Deep Reinforcement Learning 深度增强学习资源
Flood Sung的专栏
01-24 2万+
1 学习资料增强学习课程 David Silver （有视频和ppt）:http://www0.cs.ucl.ac.uk/staff/D.Silver/web/Teaching.html最好的增强学习教材：Reinforcement Learning: An Introductionhttps://webdocs.cs.ualberta.ca/~sutton/book/the-book.html 深
深度强化学习的入门资源汇总-2016.8
shincling
08-07 4715
近期深度强化学习的一些资源汇总
深度学习模型部署
周常见的博客
02-11 1887
在将模型部署之前，往往需要对模型进行一系列优化，包括量化（从浮点数到整数）、剪枝（移除不重要的权重）、蒸馏（用一个小模型模仿大模型的表现）等。：目前可用的方案有模型蒸馏,模型剪枝和模型量化,一般的做法是先做模型蒸馏, 得到小模型之后进行模型剪枝, 再对剪枝过后的模型进行量化处理。：如果你的应用不需要极高的吞吐量，且可以容忍一定的延迟，那么你可以选择将模型部署在一台具有适当GPU的个人电脑上或者数据中心的服务器上。对于某些场景，你可能还需要将模型导出为C++或Java代码，以便集成到现有的应用程序中。
【深度学习】深度学习介绍
weixin_57336987的博客
11-06 1615
深度学习是机器学习的一个子集。
深度学习期末复习
qq_50273182的博客
12-30 3500
经过前面的操作之后，可以确定传递信息的删除（遗忘门进行信息的删除后）和增加（信息门进行信息的加入），即可以进行“细胞状态”的更新。图像分割中的传统做法：为了增大感受野，通常都会选择pooling操作，但是也会丢失一部分信息。第二个“门”：”输入门“：（很明显对于输入，也要进行筛选之后，才能送入到细胞状态）使用相同的权重值（卷积核参数），可以减少模型参数数量和计算量，使得网络对于。特征降维：把冗余信息去除，把最重要的特征抽取出来。​ c. 常见的降采样有最大池化，平均池化。什么时候我们需要用到迁移学习。
深度学习 机器学习 数据集资源汇总
热门推荐
GAN、Transformer、Vue、Django知识学习&&分享者 ZhuBa的博客 zhuba-Ahhh.github.io
04-25 6万+
目前个人认为较好的数据集网站主要有： 数据集网站 1.AI Studio数据集： 开放数据集-百度AI Studio - 人工智能学习与实训社区 2.天池数据集：数据集-阿里系唯一对外开放数据分享平台 3.Papers With Code数据集：Machine Learning Datasets | Papers With Code 4.Kaggle 数据集：Find Open Datasets and Machine Learning Projects | Kaggle 5.Graviti O
深度学习基础—超参数调试
sniper_fandc的博客
08-19 2565
在训练深度网络最难的事情之一是超参数的选择，如何选择合适的超参数取值？下面我将谈谈，如下是我所理解的超参数调试顺序：重要性排序超参数Top1梯队学习率aTop2梯队min-batch大小，隐层神经元个数，动量梯度下降法参数bTop3梯队隐层层数，学习衰减率，Adam优化的参数b1、b2ℇ实际上，Adam优化的参数b1、b2、ℇ通常不进行调试，选择默认值就能有很好的效果，即b1=0.9、b22.核心思想如何选择合适超参数值？与其说是选择，不如说是实验。
基于GPUGEEK 平台进行深度学习
2301_80863610的博客
05-14 1万+
GPUGEEK 是一个专注于提供 GPU 算力租赁服务的平台，在人工智能与深度学习领域为用户搭建起便捷的算力桥梁。它整合了丰富多样的 GPU 资源，涵盖 RTX - 4090、RTX - 3090、A100 - PCIE 等多种型号，满足不同用户在模型训练、数据处理、图像渲染等场景下的算力需求。同时，该平台还设有镜像市场、模型市场等功能板块，为用户提供一站式的 AI 开发与运算支持。经过一段时间对 GPUGEEK 平台的使用，其给我留下了深刻且良好的印象。
cs231n课程，比较不错的深度学习资源
03-08
《深度学习资源：cs231n课程解析》 深度学习是现代人工智能领域的核心组成部分，其在计算机视觉、自然语言处理、语音识别等多个领域都取得了显著成果。斯坦福大学的cs231n课程（Convolutional Neural Networks for ...
吴恩达《深度学习》笔记.zip
10-10
整体而言，这个压缩包文件集合了深度学习理论学习、实践操作和学术研究三个维度的学习资料，对于想要全面学习深度学习的人来说是一个不错的资源集合。无论是初学者还是希望深化理解的进阶学习者，都能够从中获益。...
学习资源系列之《Python深度学习基于PyTorch》
qq_67696694的博客
07-26 1236
近期应部分读者朋友的强烈邀请，希望推荐一本python深度学习实操的书籍。《Python深度学习基于PyTorch》《Python深度学习基于PyTorch》前言面对众多的深度学习框架，对于初学者而言，如何做出选择是一个重要的问题。他们需要在易上手与工业实际应用之间取得平衡。在这个问题上，毋庸置疑，PyTorch是一个理想的选择。一方面，PyTorch天然地与Python融合，这极大地降低了深度学习的学习门槛。
9_基于深度学习的车型检测识别系统（yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）
you 是 mine
08-10 878
本项目基于PyQt5构建了一个图形化目标检测系统，支持图片、视频、摄像头等多种输入源，具备批量处理、结果导出和检测目标切换等功能。系统采用YOLOv5/YOLOv8深度学习模型，提供完整的环境配置文档和训练参数说明，包含GPU加速支持。项目附带详细数据集介绍、模型训练流程说明及可视化增强策略，适合学习或二次开发。亮点包括完整的系统级架构、模型可扩展性以及清晰的代码结构，可作为课程设计或毕业设计项目。
【深度学习新浪潮】遥感图像风格化迁移研究工作介绍
智能守恒_HengAI
08-10 242
遥感图像风格化迁移是将艺术风格（如油画、素描、赛博朋克等）迁移到遥感图像中，同时保留其地理结构和关键地物信息的技术。由于遥感图像具有分辨率高、地物结构复杂（如建筑、道路、植被等）、可能包含多光谱信息等特点，其风格化迁移与自然图像相比存在特殊挑战（如需避免破坏地理特征的可识别性）。以下从方法、研究进展、代码与数据三个方面进行说明。
RNN与LSTM：循环神经网络在机器翻译中的应用
数据知道的博客
08-10 1104
循环神经网络（RNN）及其变体LSTM是早期神经机器翻译的核心技术。RNN通过循环连接处理序列数据，但面临梯度消失和长距离依赖问题。LSTM引入细胞状态和门控机制，有效解决这些问题，显著提升翻译质量。两者在编码器-解码器框架中发挥重要作用，但存在串行计算和信息瓶颈等局限性。这些不足推动了注意力机制和Transformer模型的发展，最终取代RNN/LSTM成为主流架构。RNN/LSTM奠定了序列建模的基础，其演进历程反映了机器翻译技术的重大突破。
Day 8: 深度学习综合实战与进阶技术 - 从优化到部署的完整流程
weixin_44903776的博客
08-09 87
本文介绍了深度学习模型优化与正则化技术的实战应用。重点内容包括： 正则化技术对比：详细分析了L1/L2正则化、Dropout和BatchNorm的原理、适用场景及优缺点，通过对比表格展示不同方法的特性。 代码实现：提供PyTorch实现示例，构建包含多种正则化技术的神经网络架构，演示了L1/L2正则化的具体实现方式。 优化效果实验：设计了模拟实验对比不同正则化方法的表现，包括无正则化、仅Dropout、仅L2、L1+L2以及组合策略，通过高维带噪声数据验证各方法防止过拟合的效果。 文章强调正则化技术是提升模
深度学习——03 神经网络（3）-网络优化方法
最新发布
念头通达
08-13 742
梯度下降算法回顾、训练流程的几个概念（Epoch轮次、Batch Size批次大小、Iteration迭代）、梯度下降的 3 种实现方式、前向传播（计算预测值与损失）与反向传播（计算梯度并更新权重）、梯度下降的优化方法（指数加权平均、动量优化算法Momentum、AdaGrad算法、RMSProp算法、Adam算法）、学习率衰减算法（等间隔学习率衰减、指定间隔学习率衰减、按指数学习率衰减）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值