Yann LeCun都推荐的深度学习资料合集！

作者 | Sebastian Raschka

译者 | Sambodhi

编辑 | Vincent

本文是 GitHub 上的一个项目，截止到 AI 前线翻译之时，Star 数高达 7744 星，据说连深度学习界的大神 Yann LeCun 都为之点赞，可见该项目收集的深度学习资料合集质量之高，广受欢迎，AI 前线对本文翻译并分享，希望能够帮到有需要的读者。

传统机器学习

• 感知器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/basic-ml/perceptron.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/basic-ml/perceptron.ipynb

逻辑回归

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/basic-ml/logistic-regression.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/basic-ml/logistic-regression.ipynb

Softmax 回归（多项逻辑回归）

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/basic-ml/softmax-regression.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/basic-ml/softmax-regression.ipynb

多层感知器

• 多层感知器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mlp/mlp-basic.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mlp/mlp-basic.ipynb

具有 Dropout 的多层感知器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mlp/mlp-dropout.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mlp/mlp-dropout.ipynb

具有批量归一化的多层感知器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mlp/mlp-batchnorm.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mlp/mlp-batchnorm.ipynb

具有从头开始反向传播的多层感知器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mlp/mlp-lowlevel.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mlp/mlp-fromscratch__sigmoid-mse.ipynb

卷积神经网络 

基本

• 卷积神经网络

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/cnn/cnn-basic.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-basic.ipynb

具有 He 初始化的卷积神经网络

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-he-init.ipynb

概念

• 用等效卷积层替换全连接

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/fc-to-conv.ipynb

全卷积

• 全卷积神经网络

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-allconv.ipynb

AlexNet

• CIFAR-10 上的 AlexNet

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-alexnet-cifar10.ipynb

VGG

• 卷积神经网络 VGG-16

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/cnn/cnn-vgg16.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-vgg16.ipynb

在 CelebA 上训练的 VGG-16 性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-vgg16-celeba.ipynb

卷积神经网络 VGG-19

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-vgg19.ipynb

ResNet

• ResNet 与残差块

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/resnet-ex-1.ipynb

在 MNIST 上训练的 ResNet-18 数字分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet18-mnist.ipynb

在 CelebA 上训练的 ResNet-18 性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet18-celeba-dataparallel.ipynb

在 MNIST 上训练的 ResNet-34 数字分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet34-mnist.ipynb

在 CelebA 上训练的 ResNet-34 性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet34-celeba-dataparallel.ipynb

在 MNIST 上训练的 ResNet-50 数字分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet50-mnist.ipynb

在 CelebA 上训练的 ResNet-50 性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet50-celeba-dataparallel.ipynb

在 CelebA 上训练的 ResNet-101 性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet101-celeba.ipynb

在 CIFAR-10 上训练的 ResNet-101

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet101-cifar10.ipynb

在 CelebA 上训练的 ResNet-152 性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet152-celeba.ipynb

网络中的网络

• CIFAR-10 分类器网络中的网络

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/nin-cifar10.ipynb

度量学习

• 具有多层感知器的孪生网络

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/metric/siamese-1.ipynb

自编码器

全连接自编码器

• 自编码器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/autoencoder/ae-basic.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-basic.ipynb

卷积自编码器

• 具有解卷积 / 转置卷积的卷积自编码器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/autoencoder/ae-deconv.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-deconv.ipynb

具有解卷积（不具有池化操作）的卷积自编码器

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/autoencoder/ae-conv-nneighbor.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-conv-nneighbor.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-deconv-nopool.ipynb

• 具有最近邻插值的卷积自编码器

在 CelebA 上训练的具有最近邻插值的卷积自编码器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-conv-nneighbor-celeba.ipynb

在 Quickdraw 上训练的具有最近邻插值的卷积自编码器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-conv-nneighbor-quickdraw-1.ipynb

变分自编码器

• 变分自编码器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-conv-var.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-var.ipynb

• 卷积变分自编码器

条件变分自编码器

• 条件变分自编码器（具有重构损失中的标签）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-cvae.ipynb

条件变分自编码器（不具有重构损失中的标签）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-cvae_no-out-concat.ipynb

卷积条件变分自编码器（具有重构损失中的标签）

• PYTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-cnn-cvae.ipynb

卷积条件变分自编码器（不具有重构损失中的标签）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/autoencoder/ae-cnn-cvae_no-out-concat.ipynb

生成对抗网络

• MNIST 上的全连接生成对抗网络

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/gan/gan.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/gan/gan.ipynb

MNIST 上的卷积生成对抗网络

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/gan/gan-conv.ipynb

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/gan/gan-conv.ipynb

MNIST 上具有标签平滑的卷积生成对抗网络

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/gan/gan-conv-smoothing.ipynb

递归神经网络

多对一：情感分析 / 分类

• 简单的单层递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_simple_imdb.ipynb

打包序列以忽略填充字符的简单单层递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_simple_packed_imdb.ipynb

具有长短期记忆网络单元的递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_lstm_packed_imdb.ipynb

具有长短期记忆网络单元和经预训练的 GloVe 词向量的递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_lstm_packed_own_csv_imdb.ipynb

具有长短期记忆网络单元和 CSV 格式的自有数据集的递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_lstm_packed_own_csv_imdb.ipynb

具有 GRU 单元的递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_gru_packed_imdb.ipynb

多层双向递归神经网络（IMDB）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_gru_packed_imdb.ipynb

多对多 / 序列到序列

• 为生成新文本（Charles Dickens）的简单字符递归神经网络

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/char_rnn-charlesdickens.ipynb

序数回归

• 序数回归卷积神经网络——CORAL w. ResNet34 on AFAD-Lite

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/ordinal/ordinal-cnn-coral-afadlite.ipynb

序数回归卷积神经网络——Niu et al. 2016 w. ResNet34 on AFAD-Lite

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/ordinal/ordinal-cnn-niu-afadlite.ipynb

序数回归卷积神经网络——Beckham and Pal 2016 w. ResNet34 on AFAD-Lite

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/ordinal/ordinal-cnn-beckham2016-afadlite.ipynb

要诀与技巧

• 周期学习率

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/tricks/cyclical-learning-rate.ipynb

PyTorch 工作流和机制

自定义数据集

• 为自定义数据集使用 PyTorch 数据集加载实用程序——CSV 文件转换为 HDF5

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/custom-data-loader-csv.ipynb

为自定义数据集使用 PyTorch 数据集加载使用程序——来自 CelebA 的面部图像

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/custom-data-loader-celeba.ipynb

为自定义数据集使用 PyTorch 数据集加载使用程序——来自 Quickdraw 的图像

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/custom-data-loader-quickdraw.ipynb

为自定义数据集使用 PyTorch 数据集加载使用程序——来自街景门牌号（SVHN）数据集的图像

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/custom-data-loader-svhn.ipynb

为自定义数据集使用 PyTorch 数据集加载使用程序——亚洲人面部数据集（AFAD）

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/custom-data-loader-afad.ipynb

为自定义数据集使用 PyTorch 数据集加载使用程序——历史彩色图像

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/custom-data-loader_dating-historical-color-images.ipynb

训练与预处理

• 生成验证集拆分

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/validation-splits.ipynb

具有固定内存的数据加载

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-resnet34-cifar10-pinmem.ipynb

图像标准化

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-standardized.ipynb

图像转换示例

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/torchvision-transform-examples.ipynb

具有自己的文本文件的 Char-RNN

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/char_rnn-charlesdickens.ipynb

具有自己的 CSV 文件的情感分类递归神经网络

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/rnn/rnn_lstm_packed_own_csv_imdb.ipynb

并行计算

• 使用数据并行的多 GPU——VGG-16 CelebA 上的性别分类器

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/cnn/cnn-vgg16-celeba-data-parallel.ipynb

其他

• 顺序 API 和钩子

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/mlp-sequential.ipynb

层内权重共享

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/cnn-weight-sharing.ipynb

只使用 Matplotlib 在 Jupyter Notebook 绘制实时训练性能

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/plot-jupyter-matplotlib.ipynb

Autograd

• 在 PyTorch 中获取中间变量的梯度

• PyTorch：https://github.com/rasbt/deeplearning-models/blob/master/pytorch_ipynb/mechanics/manual-gradients.ipynb

TensorFlow 工作流和机制

自定义数据集

• 为 Mini-batch 训练使用 NumPy NPZ Archives 进行组块图像数据集

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mechanics/image-data-chunking-npz.ipynb

为 Mini-batch 使用 HDF5 进行存储图像数据集

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mechanics/image-data-chunking-hdf5.ipynb

使用输入管道从 TFRecords 文件读取数据

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mechanics/tfrecords.ipynb

使用 Queue Runners 从硬盘直接馈入图像

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mechanics/file-queues.ipynb

使用 TensorFlow 的数据集 API

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mechanics/dataset-api.ipynb

训练和预处理

• 保存和加载训练过的模型——从 TensorFlow 检查点文件和 NumPy NPZ Archives

• TensorFlow：https://github.com/rasbt/deeplearning-models/blob/master/tensorflow1_ipynb/mechanics/saving-and-reloading-models.ipynb

作者介绍

Sebastian Raschka，机器学习研究者、开源贡献者。《Python 机器学习》作者，威斯康星大学麦迪逊分校统计学助理教授。

原文链接：

https://github.com/rasbt/deeplearning-models

点个在看少个 bug ?

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/