深度学习算法 The deeplearning algorithms includes (now):
逻辑回归 Logistic Regression logisticRegression.py
多层感知机 Multi-Layer Perceptron (MLP) mlp.py
卷积神经网络 Convolution Neural Network (CNN) cnn.py
自编码 Denoising Aotoencoder (DA) da.py
多层降噪自动编码机 Stacked Denoising Autoencoder (SDA) sda.py
受限玻尔兹曼机Restricted Boltzmann Machine (RBM) rbm.py gbrbm.py
深度信念网络Deep Belief Network (DBN) dbn.py
Note: the project aims at imitating the well-implemented algorithms in Deep Learning Tutorials (coded by Theano ).
参考博客
吴恩达老师的深度学习课程笔记及资源
1. 神经网络的编程基础(Basics of Neural Network programming) 1.1 二分类(Binary Classification) 1.2 逻辑回归(Logistic Regression) 1.3 逻辑回归的代价函数（Logistic Regression Cost Function） 1.4 梯度下降（Gradient Descent） 1.6 计算图（Computation Graph） 1.7 逻辑回归的梯度下降（Logistic Regression Gradient Descent） 1.8 梯度下降的例子(Gradient Descent on m Examples) 1.10 损失函数详解（cost/Loss function）softmax 交叉熵 Forc Loss 2. 浅层神经网络(Shallow neural networks) 2.1 计算一个神经网络的输出 （Computing a Neural Network's output） 2.2 多样本向量化（Vectorizing across multiple examples） 2.3 激活函数（Activation functions） 2.4 神经网络的梯度下降（Gradient descent for neural networks） 2.5 直观理解反向传播（Backpropagation intuition） 2.6 随机初始化（Random+Initialization） 2. 深层神经网络(Deep Neural Networks) 3.1 前向传播和反向传播（Forward and backward propagation） 3.2 深层网络中的前向和反向传播（Forward propagation in a Deep Network） 3.3 核对矩阵的维数（Getting your matrix dimensions right） 3.4 参数VS超参数（Parameters vs Hyperparameters） 3.5 深度学习和大脑的关联性（What does this have to do with the brain?） 3. 改善深层神经网络：超参数调试、正则化以及优化 3.2 正则化 L1 L2 Dropout 随机失活 正则化 Regularization 3.3 标准化输入（Normalizing inputs） BN GN 3.4 梯度消失/梯度爆炸（Vanishing / Exploding gradients） 3.5 神经网络的权重初始化（Weight Initialization for Deep NetworksVanishing /Exploding gradients） 3.6 梯度的数值逼近（Numerical approximation of gradients）& 梯度检验（Gradient checking） 4. 优化算法 (Optimization algorithms) 4.1 Mini-batch 梯度下降（Mini-batch gradient descent） 4.2 指数加权平均（Exponentially weighted averages） 4.3 momentum梯度下降（Gradient descent with momentum） 4.4 RMSprop——root mean square prop（RMSprop） 4.5 Adam优化算法（Adam optimization algorithm） 4.6 学习率衰减（Learning rate decay） 4.7 局部最优问题（The problem of local optima） 5. 卷积神经网络（Convolutional Neural Networks） 5.1 卷积层 普通卷积 DW逐通道卷积 分组卷积 5.5 经典网络（Classic networks） 5.6 残差网络（Residual Networks (ResNets)） 5.7 网络中的网络以及 1×1 卷积（Network in Network and 1×1 convolutions）通道重排ChannelShuffle 5.8 Inception Xception ResXt DenseNet DectNet 网络 5.10 目标检测OD 边框预测BBP 交并比IOU 非极大值抑制NMS 预设边框Anchor Boxes 5.12 轻量化模型 MobileNet SqueezeNet ShuffleNet 6. 人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer） 6.2 神经风格转换 neural style transfer 6.3 深度卷积网络学习 deep ConvNets learning 6.4 代价函数（Cost function） 内容代价函数（Content cost function） 风格代价函数（Style cost function） 6.5 一维到三维推广（1D and 3D generalizations of models） 7.1 循环神经网络模型 RNN（Recurrent Neural Network Model） 7.1.1 通过时间的反向传播（Backpropagation through time） 7.1.2 不同类型的循环神经网络（Different types of RNNs） 7.1.3 语言模型和序列生成（Language model and sequence generation） 7.1.4 对新序列采样（Sampling novel sequences） 7.1.5 循环神经网络的梯度消失（Vanishing gradients with RNNs） 7.2 GRU单元（Gated Recurrent Unit（GRU）） 7.3 长短期记忆（LSTM（long short term memory）unit） 7.4 双向循环神经网络（Bidirectional RNN） 8. 自然语言处理与词嵌入（Natural Language Processing and Word Embeddings） 8.0 语音识别的传统方法 HMM隐马尔可夫模型 GMM高斯混合模型 8.1 词汇表征（Word Representation） 8.2 使用词嵌入（Using Word Embeddings） 词嵌入的特性（Properties of Word Embeddings） 词嵌入除偏（Debiasing Word Embeddings） 8.3 嵌入矩阵（Embedding Matrix） 8.5 负采样（Negative Sampling） GloVe 词向量（GloVe Word Vectors） 8.6 情绪分类（Sentiment Classification） 8.8 注意力模型（Attention Model） 8.9 语音识别（Speech recognition） 9.10 触发字检测（Trigger Word Detection） 9.1 传统方法 视觉词袋模型BoVW FV高斯混合建模