深度学习模型大合集：GitHub 趋势榜第一，已斩获 8000+ 星

点击“小詹学Python”，选择“星标”公众号

重磅干货，第一时间送达

本文转载自机器之心，禁二次转载

最近，威斯康辛大学麦迪逊分校统计学助理教授、机器学习和深度学习研究者 Sabastian Raschka 在 GitHub 上创建了一个项目，包含大量深度学习架构、模型和 tips。 目前，该项目已获星8000+，值得一看！

项目地址：https://github.com/rasbt/deeplearning-models

（点击阅读原文可跳转）

目录

该项目的目录如下：

• 传统机器学习

• 多层感知机

• 卷积神经网络（CNN)

• 度量学习（Metric Learning）

• 自编码器

• 生成对抗网络（GAN）

• 循环神经网络（RNN）

• 有序回归

• 技巧和窍门

• PyTorch 工作流和机制

• TensorFlow 工作流和机制

其中每个部分包含多个子部分，主要介绍了各部分相关的模型和 TensorFlow、PyTorch 实现。

以 CNN 为例，我们来看一下它包含哪些内容。

卷积神经网络

这部分首先介绍了 CNN 的基础知识和概念，然后介绍了不同的 CNN 模型，如全卷积神经网络、AlexNet、VGG、ResNet 等，每个子部分都包含示例及其 TensorFlow 和 PyTorch 实现。

技巧和窍门

除了模型，该项目还介绍了一些模型训练的技巧和窍门。

这部分主要介绍了 PyTorch 中的周期学习率（cyclical learning rate），具体涉及三项内容：

• 简要介绍了周期学习率的基础概念；

• 使用「LR range test」为周期学习率选择基础和最大学习率；

• 使用周期学习率在 CIFAR-10 上训练简单的卷积神经网络。

详情参见：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/tricks/cyclical-learning-rate.ipynb

PyTorch 和 TensorFlow 的工作流和机制

该项目的最后介绍了 PyTorch 和 TensorFlow 的工作流和机制，涉及数据集、训练和预处理等内容。

推荐阅读（点击即可跳转）

自动驾驶「无视」障碍物：百度研究人员攻陷激光雷达

最新 AI 干货，我在看❤️