谷歌深度学习公开课学习笔记(3)

课程4：卷积神经网络   

主要是卷积、池化、１×１卷积和inception结构四方面，分别在[1][2][3]有比较多的描述。[4]是公开课提供的阅读材料。[5]是一个有意思的神经网络识别数字的演示网站。

参考文献
[1] 卷积层和池化层学习 http://www.cnblogs.com/zf-blog/p/6075286.html
[2] 出人意料的1*1卷积 http://blog.youkuaiyun.com/peaceinmind/article/details/55213376
[3] 深入浅出——网络模型中Inception的作用与结构全解析http://blog.youkuaiyun.com/u010402786/article/details/52433324
[4] 深度学习卷积算法指南https://arxiv.org/pdf/1603.07285v1.pdf
[5] http://scs.ryerson.ca/~aharley/vis/conv/

[6] https://classroom.udacity.com/courses/ud730

任务 4: 卷积模型

官方示例：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/udacity/4_convolutions.ipynb
博客示例：http://www.hankcs.com/ml/task-4-convolution-model.html

还是一样，save修改为

save = pickle.load(f,encoding='iso-8859-1')

参考的那篇博客还做了题目2，但是我还没有试。

参考文献
[1] https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/udacity/4_convolutions.ipynb

[2] http://www.hankcs.com/ml/task-4-convolution-model.html

其他

课程5是自然语言处理范畴，对应任务4和任务5，参考了公开课视频、官方仓库、其他人博客的解答，涉及循环神经网络（RNN）。这部分了解的不多，还需要深入研究。
课程6简单提了tensorflow，用tensorflow来做深度学习还是非常高效的。另外，用tensorflow也能做其他机器学习的方法。
课程7是一个摄像头应用，相当于一个结课的课程设计。结合最后一页的资料，可以继续深入学习相关内容。

参考文献
[1] https://classroom.udacity.com/courses/ud730
[2] https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/udacity/5_word2vec.ipynb
[3] https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/udacity/6_lstm.ipynb
[4] http://www.hankcs.com/ml/cbow-word2vec.html
[5] http://www.hankcs.com/ml/task-lstms-6.html
[6] https://www.tensorflow.org/