Вы ищете место, где можно научиться глубокому обучению? Независимо от того, являетесь ли вы новичком или опытным инженером по машинному обучению, я уверен, что приведенная ниже коллекция будет вам полезна.
В этом посте мы собрали все наши ресурсы и организовали их в виде пошагового руководства, которое поможет вам как можно быстрее и эффективнее изучить все популярные архитектуры и алгоритмы глубокого обучения.
Вы также найдете статьи, посвященные конкретным приложениям, таким как компьютерное зрение и обработка естественного языка (NLP), а также статьи о том, как работает обучение с подкреплением.
Итак, без лишних слов, приступим…
Архитектуры глубокого обучения
Нейросетевая библиотека с нуля
В этом посте вы создадите нейронную сеть с прямой связью с нуля, используя C++. Вы реализуете алгоритм обратного распространения, определите структуру сети и обучите ее на графическом процессоре с использованием OpenCL.
Библиотека сверточных нейронных сетей с нуля
Во второй части вы расширите библиотеку, включив сверточные нейронные сети. Вы определите слои свертки и пула и запрограммируете ядра OpenCL для параллельного запуска обратного распространения.
Интуитивное объяснение пропусков соединений в глубоком обучении
Что такое пропуск соединений, почему они решают проблему исчезающего градиента и как они применяются к популярным архитектурам сверточных нейронных сетей, таким как ResNet, DenseNet и UNet.
Предсказать цену биткойна с помощью LSTM
Узнайте, как работают рекуррентные нейронные сети, что такое LSTM и какую проблему они решают, и, наконец, используйте их для прогнозирования цены биткойнов с помощью Python и Keras.
Как генерировать изображения с помощью автоэнкодеров
Внутренняя работа автоэнкодеров, что такое вариационный автоэнкодер (VAE) и как их можно использовать для создания оригинальных новых изображений с помощью PyTorch.
Расшифровка генеративного искусственного интеллекта и GAN
Чем генеративные модели отличаются от других архитектур машинного обучения, как генеративно-состязательные сети (GAN) учатся на данных и почему они могут генерировать новые точки данных?
Графические нейронные сети
Нейронные сети также можно применять к графическим данным помимо изображений и текста. Граф Нейронные сети имеют возможность принимать график в качестве входных данных и кодировать его информацию в один числовой вектор.
Объясните нейронные арифметико-логические устройства (НАЛУ)
Блоки нейронной арифметической логики решают проблему, с которой не может справиться большинство архитектур машинного обучения. Они умеют считать. С NALU мы можем выполнять арифметические операции, такие как сложения и умножения, а также аппроксимировать простые арифметические функции.
Компьютерное зрение и глубокое обучение
Семантическая сегментация в эпоху нейронных сетей
В семантической сегментации цель состоит в том, чтобы классифицировать каждый пиксель изображения в определенной категории на основе. Таким образом, мы можем извлечь контекстную информацию о каждом объекте на изображении. Для этого в нейронных сетях используются пропускаемые соединения, формирующие новую архитектуру под названием UNets.
Поймите, как работают UNets, почему они хорошо работают в семантической сегментации, и запрограммируйте ее с помощью Keras.
Локализация и обнаружение объектов с помощью глубокого обучения
Локализация — это задача определения местоположения объекта на изображении, тогда как Object Detection — это классификация и обнаружение всех объектов на нем. Для этого наиболее популярным методом является R-CNN вместе с его улучшениями Fast R-CNN и Faster R-CNN.
YOLO — Ты смотришь только один раз
Детекторы одиночного снимка, такие как YOLO, обеспечивают быстрый способ обнаружения и локализации объектов на изображении. В этом посте вы узнаете секреты YOLO и почему он стал отраслевым стандартом для устройств с низким энергопотреблением, таких как смартфоны.
Приложения
Самоуправляемые автомобили с использованием глубокого обучения
Изучите основные этапы разработки автомобильных автопилотов и используйте игровой симулятор и Python, чтобы ваша собственная машина ехала сама по себе.
Оценка позы человека
Это обзор наиболее важных исследовательских работ по 2D- и 3D-оценке позы человека. Вы найдете интуитивно понятные объяснения таких алгоритмов, как OpenPose, DensePose и VIBE.
Глубокое обучение в медицинской визуализации: сегментация 3D-медицинских изображений с помощью PyTorch
В этом документе мы рассматриваем сегментацию трехмерных медицинских изображений с помощью моделей глубокого обучения с использованием PyTorch. Представлены основные основы МРТ для тензорного представления, а также основные компоненты для применения метода глубокого обучения, который решает проблемы, специфичные для задачи (дисбаланс классов, ограниченные данные). Кроме того, мы представляем некоторые функции библиотеки сегментации медицинских изображений с открытым исходным кодом. Наконец, мы обсуждаем наши предварительные экспериментальные результаты и предоставляем источники для поиска данных медицинской визуализации.
Обучение с подкреплением
Секреты обучения с подкреплением
Цель этой статьи — дать вам представление об основных принципах обучения с подкреплением, о том, как мы определяем нашего агента, среду и процесс обучения. Он также включает обзор различных типов алгоритмов RL и базовой логики, лежащей в их основе.
Глубокое Q-обучение
Здесь мы погружаемся в Q Learning, анализируем, что именно представляет собой значение Q и как мы можем его аппроксимировать, а также как нейронные сети и глубокое обучение революционизируют эту технику. Вы также найдете примеры кода о том, как создать собственный агент Deep Q Learning на Python.
Делаем Deep Q Networks на шаг впереди
В продолжение предыдущего поста здесь мы представляем такие темы, как движущиеся и фиксированные цели Q, такие концепции, как смещение максимизации и воспроизведение опыта, и мы описываем, как сети Double Deep Q и Duling Deep Q Networks улучшаются по сравнению с исходной идеей.
Разгадка градиентов политики и УСИЛЕНИЕ
Что такое методы, основанные на политике, почему они отличаются от методов, основанных на ценности, и в чем заключается идея градиентов политики Монте-Карло (также называемых REINFORCE). Как всегда, код Python доступен в конце.
Идея актеров-критиков и то, как A2C и A3C их улучшают
В этой статье вы узнаете об актерских критиках и многих их вариациях, таких как преимущества актеров-критиков (A2C) и асинхронных преимуществах актеров-критиков (A3C).
Оптимизация политик Trust Region и Proximal (TRPO и PPO)
Возвращаясь к методам политики, мы представляем два самых последних алгоритма в этой области: оптимизация политики доверительного региона (TRPO) и оптимизация проксимальной политики (PPO).
Вывод
В этом списке мы попытались охватить наиболее важные области глубокого обучения структурированным образом, чтобы вы могли начать с нуля. Все эти статьи являются результатом многолетних исследований и практики. Но наверняка он даже не начинает охватывать все существующие темы. Нам еще многое предстоит сделать.
Если вы хотите следовать за нами на пути к решению задач ИИ и стать экспертом в области глубокого обучения, не забудьте подписаться на нашу рассылку новостей.
Летняя команда ИИ
Первоначально опубликовано на https://theaisummer.com 29 марта 2020 г.