深度学习 Deep learning 精选教程、项目资源宝典

资源合集
收藏
回帖
1条日志
新手上路 昨天 09:13
主楼

书籍

  1. 深度学习by Yoshua Bengio, Ian Goodfellow and Aaron Courville (05/07/2015)
  2. 神经网络与深度学习by Michael Nielsen (Dec 2014)
  3. 深度学习by Microsoft Research (2013)
  4. 深度学习教程由蒙特利尔大学 LISA 实验室编写（2015 年 1 月 6 日）
  5. neuraltalk由 Andrej Karpathy 编写：基于 numpy 的 RNN/LSTM 实现
  6. 遗传算法导论
  7. 人工智能：一种现代方法
  8. 神经网络中的深度学习：概述
  9. 人工智能与机器学习：主题详解
  10. 深入理解计算机视觉中的深度学习
  11. 深入深度学习- 基于 numpy 的交互式深度学习书籍
  12. 云、移动和边缘的实用深度学习- 一本关于生产过程中优化技术的书籍。
  13. 深度学习的数学与架构- 作者：Krishnendu Chaudhury
  14. TensorFlow 2.0 实战- 作者：Thushan Ganegedara
  15. 用于自然语言处理的深度学习- 作者：Stephan Raaijmakers
  16. 深度学习模式与实践- by Andrew Ferlitsch
  17. 深入理解深度学习- by Edward Raff
  18. Python 深度学习（第二版）- by François Chollet
  19. 进化式深度学习- by Micheal Lanham
  20. 工程深度学习平台- by Chi Wang 和 Donald Szeto
  21. 使用 R 进行深度学习（第二版）- by François Chollet 与 Tomasz Kalinowski 和 J. J. Allaire
  22. 深度学习中的正则化- by Liu Peng
  23. Jax 实战- by Grigory Sapunov
  24. 《Scikit-Learn、Keras 和 TensorFlow 实战机器学习》by Aurélien Géron | 2019 年 10 月 15 日

课程

  1. 机器学习 - 斯坦福大学by Andrew Ng on Coursera (2010-2014)
  2. 机器学习 - 加州理工学院by Yaser Abu-Mostafa (2012-2014)
  3. 机器学习 - 卡内基梅隆大学by Tom Mitchell (2011 年春季)
  4. 机器学习的神经网络by Geoffrey Hinton in Coursera (2012)
  5. 神经网络课程by Hugo Larochelle from Université de Sherbrooke (2013)
  6. 深度学习课程by CILVR lab @ NYU (2014)
  7. 人工智能 - Berkeleyby Dan Klein and Pieter Abbeel (2013)
  8. 人工智能 - MITby Patrick Henry Winston (2010)
  9. 视觉与学习 - 计算机与大脑by Shimon Ullman, Tomaso Poggio, Ethan Meyers @ MIT (2013)
  10. 用于视觉识别的卷积神经网络 - Stanfordby Fei-Fei Li, Andrej Karpathy (2017)
  11. 用于自然语言处理的深度学习 - Stanford
  12. 神经网络 - 优士堡
  13. 机器学习 - 牛津(2014-2015)
  14. 深度学习 - 英伟达(2015)
  15. 研究生暑期学校：深度学习、特征学习由 Geoffrey Hinton、Yoshua Bengio、Yann LeCun、Andrew Ng、Nando de Freitas 等人 @ IPAM, UCLA (2012)
  16. 深度学习 - Udacity/Googleby Vincent Vanhoucke 和 Arpan Chakraborty (2016)
  17. 深度学习 - UWaterlooby University of Waterloo 教授 Ali Ghodsi (2015)
  18. 统计机器学习 - CMUby Prof. Larry Wasserman
  19. 深度学习课程by Yann LeCun (2016)
  20. 设计、可视化和理解深度神经网络-加州大学伯克利分校
  21. UVA 深度学习课程阿姆斯特丹大学人工智能硕士课程。
  22. MIT 6.S094: 自主驾驶汽车的深度学习
  23. MIT 6.S191: 深度学习导论
  24. 加州大学伯克利分校计算机科学系 294：深度强化学习
  25. Keras in Motion 视频课程
  26. 面向程序员的深度学习实践by Jeremy Howard - Fast.ai
  27. 深度学习导论by Bhiksha Raj 教授 (2017)
  28. AI for Everyoneby Andrew Ng (2019)
  29. MIT Intro to Deep Learning 7 day bootcamp- 由 MIT 设计的为期七天的训练营，旨在介绍深度学习方法和应用 (2019)
  30. Deep Blueberry: Deep Learning- 为自学者提供的免费五周末学习计划，学习深度学习架构的基础，如 CNNs、LSTMs、RNNs、VAEs、GANs、DQN、A3C 等 (2019)
  31. Spinning Up in Deep Reinforcement Learning- 由 OpenAI 提供的免费深度强化学习课程 (2019)
  32. 深度学习专项课程 - Coursera- 通过 Andrew NG 的最佳课程进入人工智能领域。
  33. 深度学习 - 加州大学伯克利分校 | STAT-157由 Alex Smola 和 Mu Li（2019 年）
  34. 面向普通人的机器学习视频课程由 Nick Chase
  35. 使用 TensorFlow API 的机器学习速成课程- Google AI
  36. 从基础开始深入学习杰里米·霍华德 - Fast.ai
  37. 深度强化学习（纳米学位）- Udacity一个为期 3-6 个月的 Udacity 纳米学位，涵盖多门课程（2018 年）
  38. 动态中的深度学习作者：比尤·卡恩斯（2018 年）
  39. 使用计算机视觉和深度学习进行人脸检测作者：哈坎·切贝奇
  40. Classpert 上的深度学习在线课程列表Classpert 在线课程搜索提供的深度学习在线课程列表（部分免费）
  41. AWS 机器学习亚马逊机器学习大学提供的机器学习和深度学习课程
  42. 使用 PyTorch 的深度学习入门- Udacity 和 Facebook AI 共同提供的深度学习入门课程
  43. Kaggle 的深度学习Kaggle 提供的免费深度学习课程
  44. Yann LeCun 在 CDS 的深度学习课程- DS-GA 1008 · 2021 年春季学期
  45. 神经网络与深度学习- COMP9444 19T3
  46. 深度学习 A.I.Shelf

视频和讲座

  1. 如何创造一个心智by Ray Kurzweil
  2. 深度学习、自学习与无监督特征学习by Andrew Ng
  3. 深度学习的最新进展by Geoff Hinton
  4. 深度学习的不合理有效性by Yann LeCun
  5. 表示学习的深度学习by Yoshua Bengio
  6. 分层时间记忆原理by Jeff Hawkins
  7. 机器学习讨论组 - 斯坦福 AI 实验室深度学习by Adam Coates
  8. 用深度学习理解世界By Adam Coates
  9. 揭开无监督特征学习的神秘面纱by Adam Coates
  10. 深度学习与视觉感知by Yann LeCun
  11. 神经网络的下一代by Geoffrey Hinton at GoogleTechTalks
  12. 能够学习的计算机的奇妙与可怕之处by Jeremy Howard at TEDxBrussels
  13. 无监督深度学习 - 斯坦福大学由 Andrew Ng 在斯坦福大学 (2011)
  14. 自然语言处理由 Chris Manning 在斯坦福大学
  15. 深度神经网络入门指南由 Natalie Hammel 和 Lorraine Yurshansky
  16. 深度学习：从大数据中获取智能由 Steve Jurvetson（及小组）在斯坦福大学的 VLAB
  17. 《人工智能神经网络与深度学习入门》by Leo Isikdogan at Motorola Mobility HQ
  18. NIPS 2016 讲座和研讨会视频- NIPS 2016
  19. 深度学习速成课程: 由 Leo Isikdogan 在 YouTube 上发布的一系列微型讲座 (2018)
  20. 深度学习速成课程by Oliver Zeigermann
  21. R 语言动态深度学习：一个实时视频课程，教授如何使用强大的 Keras 库及其 R 语言接口将深度学习应用于文本和图像。
  22. 深度学习医学影像教程：这个教程以研究生讲座的风格介绍深度学习在医学影像中的应用。这将涵盖流行医学图像领域（胸部 X 光和组织学）的背景，以及处理多模态/视图、分割和计数任务的方法。
  23. Deepmind x UCL 深度学习：2020 版本
  24. Deepmind x UCL 强化学习：深度强化学习
  25. CMU 11-785 深度学习入门 Spring 2020课程：11-785，深度学习入门，Bhiksha Raj
  26. 机器学习 CS 229：后半部分专注于深度学习，Andrew Ng
  27. Andrew Ferlitsch 讲解什么是结构化学习
  28. Andrew Ferlitsch 讲解深度学习设计模式
  29. 现代 CNN 架构：Andrew Ferlitsch 的设计模式方法
  30. Andrew Ferlitsch 的 CNN 元参数
  31. Andrew Ferlitsch 的多任务 CNN：一个实际案例
  32. Luis Serrano 的深度强化学习入门
  33. 什么是 GAN 以及它们如何工作？由 Edward Raff
  34. 在 PyTorch 中编写基本的 WGAN 由 Edward Raff
  35. 由 Miguel Morales 训练强化学习智能体
  36. 理解什么是深度学习

论文

您也可以从 这里找到最被引用的深度学习论文
  1. 使用深度卷积神经网络进行 ImageNet 分类
  2. 使用非常深的自动编码器进行基于内容的图像检索
  3. 学习深度架构用于人工智能
  4. CMU 的论文列表
  5. 用于命名实体识别的神经网络zip
  6. YB 的训练技巧
  7. Geoff Hinton 的阅读清单（所有论文）
  8. 使用循环神经网络进行监督序列标注
  9. 基于神经网络的统计语言模型
  10. 循环神经网络的训练
  11. 用于自然语言处理和计算机视觉的递归深度学习
  12. 双向 RNN
  13. LSTM
  14. GRU - 门控循环单元
  15. GFRNN. .
  16. LSTM: A Search Space Odyssey
  17. A Critical Review of Recurrent Neural Networks for Sequence Learning
  18. Visualizing and Understanding Recurrent Networks
  19. Wojciech Zaremba, Ilya Sutskever, 《循环网络架构的实证探索》
  20. 基于循环神经网络的语言模型
  21. 循环神经网络语言模型的扩展
  22. 会议识别中的基于循环神经网络的语言模型
  23. 用于语音识别的声学模型深度神经网络
  24. 使用深度循环神经网络进行语音识别
  25. 强化学习神经图灵机
  26. 使用 RNN 编码器-解码器学习短语表示进行统计机器翻译
  27. Google - 使用神经网络进行序列到序列学习
  28. 记忆网络
  29. 用于部分观察机器人控制的连续记忆状态策略学习
  30. Microsoft - 联合建模嵌入和翻译以连接视频和语言
  31. 神经图灵机
  32. 随时问我：用于自然语言处理的动态记忆网络
  33. 使用深度神经网络和树搜索掌握围棋游戏
  34. 批量归一化
  35. 残差学习
  36. 基于条件对抗网络的图像到图像翻译
  37. 伯克利人工智能研究实验室 (BAIR)
  38. Google 的 MobileNets
  39. 在野外使用深度学习进行跨视听识别
  40. 胶囊之间的动态路由
  41. 带有 Em 路由的矩阵胶囊
  42. 高效的 BackProp
  43. 生成对抗网络
  44. Fast R-CNN
  45. FaceNet: 一种用于人脸识别和聚类的统一嵌入
  46. 用于一次性图像识别的 Siamese 神经网络
  47. 编程语言的无监督翻译
  48. 用于一次性学习的匹配网络
  49. VOLO：视觉识别的视觉展望者
  50. ViT：一张图胜过 16x16 个词：用于大规模图像识别的 Transformer
  51. 批量归一化：通过减少内部协变量偏移来加速深度网络训练
  52. DeepFaceDrawing：从草图深度生成人脸图像

教程

  1. UFLDL 教程 1
  2. UFLDL 教程 2
  3. 用于 NLP 的深度学习（无魔法）
  4. 深度学习教程：从感知器到深度网络
  5. 从底层开始的深度学习
  6. Theano 教程
  7. Matlab 神经网络
  8. 使用卷积神经网络检测面部关键点教程
  9. Torch7 教程
  10. 网络上的最佳机器学习教程
  11. VGG 卷积神经网络实践
  12. TensorFlow 教程
  13. 更多 TensorFlow 教程
  14. TensorFlow Python 笔记本
  15. Keras 和 Lasagne 深度学习教程
  16. 在 TensorFlow 中使用 LSTM RNN 对原始时间序列进行分类
  17. 使用卷积神经网络检测面部关键点的教程
  18. TensorFlow-World
  19. Python 深度学习
  20. 深入浅出深度学习
  21. 深度学习与搜索
  22. Keras 教程：使用卷积去噪自编码器进行基于内容的图像检索
  23. Yunjey Choi 的 Pytorch 教程
  24. 通过 Tensorflow 和 Keras 中的实际案例理解深度卷积神经网络
  25. 文本分类中传统和深度学习模型的概述和基准测试
  26. AI 硬件：理解计算机硬件 & 自行组装电脑
  27. 编程社区精选资源
  28. 图解自监督学习
  29. 视觉论文摘要：ALBERT (A Lite BERT)
  30. 使用 GAN 的半监督深度学习进行黑色素瘤检测
  31. 使用 Reformers 进行命名实体识别
  32. 莎士比亚作品中的深度 N-gram 模型
  33. 宽残差网络
  34. 使用 Flax 的 Fashion MNIST
  35. 假新闻分类（带 streamlit 部署）
  36. 原发性胆汁性肝硬化的回归分析
  37. 天文目录的交叉匹配方法
  38. 使用双向 LSTM 进行命名实体识别
  39. 使用 Tflite 和 Flutter 进行图像识别应用

研究人员

  1. Aaron Courville
  2. Abdel-rahman Mohamed
  3. Adam Coates
  4. Alex Acero
  5. Alex Krizhevsky
  6. Alexander Ilin
  7. Amos Storkey
  8. Andrej Karpathy
  9. Andrew M. Saxe
  10. Andrew Ng
  11. Andrew W. Senior
  12. Andriy Mnih
  13. Ayse Naz Erkan
  14. Benjamin Schrauwen
  15. Bernardete Ribeiro
  16. Bo David Chen
  17. Boureau Y-Lan
  18. Brian Kingsbury
  19. Christopher Manning
  20. Clement Farabet
  21. Dan Claudiu Cireșan
  22. David Reichert
  23. Derek Rose
  24. Dong Yu
  25. Drausin Wulsin
  26. Erik M. Schmidt
  27. Eugenio Culurciello
  28. Frank Seide
  29. Galen Andrew
  30. Geoffrey Hinton
  31. George Dahl
  32. Graham Taylor
  33. Grégoire Montavon
  34. Guido Francisco Montúfar
  35. Guillaume Desjardins
  36. Hannes Schulz
  37. Hélène Paugam-Moisy
  38. Honglak Lee
  39. Hugo Larochelle
  40. Ilya Sutskever
  41. Itamar Arel
  42. James Martens
  43. Jason Morton
sql=INSERT INTO next_post (fid,tid,is_thread,uid,dateline,message,ip) VALUES (:fid,:tid,:is_thread,:uid,:dateline,:message,:ip) error=SQLSTATE[22007]: Invalid datetime format: 1366 Incorrect string value: '\x97 Seni...' for column xiaobd.next_post.message at row 1
  1. Jeff Dean
  2. Jiquan Mgiam
  3. Joseph Turian
  4. Joshua Matthew Susskind
  5. Jürgen Schmidhuber
  6. Justin A. Blanco
  7. Koray Kavukcuoglu
  8. KyungHyun Cho
  9. Li Deng
  10. Lucas Theis
  11. Ludovic Arnold
  12. Marc'Aurelio Ranzato
  13. Martin Längkvist
  14. Misha Denil
  15. Mohammad Norouzi
  16. Nando de Freitas
  17. Navdeep Jaitly
  18. Nicolas Le Roux
  19. Nitish Srivastava
  20. Noel Lopes
  21. Oriol Vinyals
  22. Pascal Vincent
  23. Patrick Nguyen
  24. Pedro Domingos
  25. Peggy Series
  26. Pierre Sermanet
  27. Piotr Mirowski
  28. Quoc V. Le
  29. Reinhold Scherer
  30. Richard Socher
  31. Rob Fergus
  32. Robert Coop
  33. Robert Gens
  34. Roger Grosse
  35. Ronan Collobert
  36. Ruslan Salakhutdinov
  37. Sebastian Gerwinn
  38. Stéphane Mallat
  39. Sven Behnke
  40. Tapani Raiko
  41. Tara Sainath
  42. Tijmen Tieleman
  43. Tom Karnowski
  44. Tomáš Mikolov
  45. Ueli Meier
  46. Vincent Vanhoucke
  47. Volodymyr Mnih
  48. Yann LeCun
  49. Yichuan Tang
  50. Yoshua Bengio
  51. Yotaro Kubo
  52. Youzhi (Will) Zou
  53. Fei-Fei Li
  54. Ian Goodfellow
  55. Robert Laganière
  56. Merve Ayyüce Kızrak

网站

  1. deeplearning.net
  2. deeplearning.stanford.edu
  3. nlp.stanford.edu
  4. ai-junkie.com
  5. cs.brown.edu/research/ai
  6. eecs.umich.edu/ai
  7. cs.utexas.edu/users/ai-lab
  8. cs.washington.edu/research/ai
  9. aiai.ed.ac.uk
  10. www-aig.jpl.nasa.gov
  11. csail.mit.edu
  12. cgi.cse.unsw.edu.au/~aishare
  13. cs.rochester.edu/research/ai
  14. ai.sri.com
  15. isi.edu/AI/isd.htm
  16. nrl.navy.mil/itd/aic
  17. hips.seas.harvard.edu
  18. AI Weekly
  19. stat.ucla.edu
  20. deeplearning.cs.toronto.edu
  21. jeffdonahue.com/lrcn/
  22. visualqa.org
  23. www.mpi-inf.mpg.de/departments/computer-vision...
  24. Deep Learning News
  25. Machine Learning is Fun! Adam Geitgey's Blog
  26. 机器学习指南
  27. 深度学习入门
  28. 机器学习精通博客
  29. ML 编译
  30. 编程社区精选资源
  31. 初学者指南：理解卷积神经网络
  32. ahmedbesbes.com
  33. amitness.com
  34. AI Summer
  35. AI Hub - 由 AAAI、NeurIPS 支持
  36. CatalyzeX: 建造者和创客的机器学习中心
  37. The Epic Code
  38. 所有 AI 新闻

数据集

  1. MNIST手写数字
  2. Google 房屋编号来自街景
  3. CIFAR-10 和 CIFAR-100
  4. IMAGENET
  5. Tiny Images8000 万张小型图像
  6. Flickr Data1 亿张 Yahoo 数据集
  7. Berkeley Segmentation Dataset 500
  8. UC Irvine Machine Learning Repository
  9. Flickr 8k
  10. Flickr 30k
  11. Microsoft COCO
  12. VQA
  13. Image QA
  14. AT&T Laboratories Cambridge 人脸数据库
  15. AVHRR Pathfinder
  16. Air Freight- Air Freight 数据集是一个光线追踪图像序列以及基于纹理特征的地面真实分割。(455 张图像+GT，每张 160x120 像素)。(格式：PNG)
  17. Amsterdam Library of Object Images- ALOI 是一个包含一千个小物体的彩色图像集合，用于科学目的。为了捕捉物体记录中的感官变化，我们对每个物体系统地改变了观察角度、照明角度和照明颜色，并额外捕获了宽基线立体图像。我们对每个物体记录了一百多张图像，该集合总共包含 110,250 张图像。(格式：png)
  18. Annotated face, hand, cardiac & meat images- 大多数图像和注释通过使用 AAM-API 进行各种 ASM/AAM 分析来补充。(格式：bmp,asf)
  19. 图像分析与计算机图形学
  20. 布朗大学刺激数据集- 包含多种数据集，如 geons、物体和"greebles"。适用于测试识别算法。（格式：pict）
  21. CAVIAR 商场和公共场所行为视频序列- 90 个序列中包含 90K 视频帧，涵盖各种人类活动，并提供检测和行为分类的 XML 标注（格式：MPEG2 & JPEG）
  22. 机器视觉单元
  23. CCITT Fax 标准图像- 8 张图像 (格式：gif)
  24. CMU CIL 的立体数据与真实数据 - 3 组 11 张图像，包括彩色 tiff 图像和光谱辐射测量 (格式：gif, tiff)
  25. CMU PIE 数据库- 一个包含 68 个人在 13 种姿势、43 种照明条件和 4 种不同表情下拍摄的 41,368 张面部图像的数据库。
  26. CMU VASC 图像数据库- 图像、序列、立体对（数千张图像） (格式：Sun Rasterimage)
  27. Caltech Image Database- 约 20 张图像 - 主要为小物体和玩具的俯视图。(格式：GIF)
  28. Columbia-Utrecht Reflectance and Texture Database- 对 60 多个 3D 纹理样本进行反射率测量，观测方向超过 200 种不同的组合。(格式：bmp)
  29. Computational Colour Constancy Data- 一个面向计算色恒常性的数据集，但也可用于计算机视觉。包括合成数据、相机传感器数据以及 700 多张图像。(格式：tiff)
  30. Computational Vision Lab
  31. 基于内容的图像检索数据库- 11 套彩色图像用于测试基于内容的检索算法。大多数套件都包含一个描述文件，其中包含每张图像中对象的名称。(格式：jpg)
  32. 高效基于内容的检索小组
  33. 密集采样视图球体- 密集采样视图球体 - 两个玩具对象的视图球体的上半部分，每个对象有 2500 张图像。(格式：tiff)
  34. 计算机科学 VII（图形系统）
  35. 数字胚胎- 数字胚胎是新型对象，可用于开发和测试对象识别系统。它们具有有机的外观。（格式：可按需提供多种格式）
  36. 明尼苏达大学视觉实验室
  37. 萨尔瓦多胃肠道视频内窥镜图谱- 包含从胃肠道视频内窥镜研究中获取的高分辨率图像和视频。（格式：jpg、mpg、gif）
  38. FG-NET 面部老化数据库- 数据库包含 1002 张面部图像，展示不同年龄的受试者。（格式：jpg）
  39. FVC2000 指纹数据库- FVC2000 是指纹验证算法的第一个国际竞赛。FVC2000 基准测试由四个指纹数据库构成（总共 3520 个指纹）。
  40. 生物识别系统实验室- 博洛尼亚大学
  41. 面部和手势图像及图像序列- 包含面部和手势的多个图像数据集，用于基准测试的标注真实数据
  42. 德国手指语数据库- 该数据库包含 35 个手势，由 1400 个图像序列组成，这些序列记录了 20 个不同的人在非均匀日光条件下做出的手势。（格式：mpg,jpg）
  43. 语言处理与模式识别
  44. Groningen 自然图像数据库- 4000+ 1536x1024 (16 位) 校准户外图像 (格式：自制)
  45. ICG 测试屋序列- 2 个不同视点高度的转盘序列，每个 36 张图像，分辨率 1000x750，彩色 (格式：PPM)
  46. 计算机图形与视觉研究所
  47. IEN 图像库- 1000+张图像，主要为户外序列（格式：raw, ppm）
  48. INRIA 的 Syntim 图像数据库- 15 张简单物体的彩色图像（格式：gif）
  49. INRIA
  50. INRIA 的 Syntim 立体数据库- 34 对校准彩色立体图像（格式：gif）
  51. 图像分析实验室- 从各种成像模式获取的图像——原始 CFA 图像、距离图像和大量的“医学图像”。（格式：自制）
  52. 图像分析实验室
  53. 图像数据库- 包含一些纹理的图像数据库
  54. JAFFE 面部表情图像数据库- JAFFE 数据库包含 213 张日本女性受试者的图像，她们摆出 6 种基本面部表情以及中性姿态。还免费提供情绪形容词的评分，供研究使用。（格式：TIFF 灰度图像。）
  55. ATR Research, Kyoto, Japan
  56. JISCT Stereo Evaluation - 44 image pairs. These data have been used in an evaluation of stereo analysis, as described in the April 1993 ARPA Image Understanding Workshop paper ``The JISCT Stereo Evaluation'' by R.C.Bolles, H.H.Baker, and M.J.Hannah, 263--274 (Formats: SSI)
  57. MIT Vision Texture- Image archive (100+ images) (Formats: ppm)
  58. MIT face images and more - hundreds of images (Formats: homebrew)
  59. 机器视觉- 来自 Jain、Kasturi、Schunck 教材的图像 (20+ 张图像) (格式：GIF TIFF)
  60. 乳腺 X 光图像数据库- 100 张或更多乳腺 X 光图像，包含真实标签。可根据请求提供更多图像，并提供到其他几个乳腺 X 光图像数据库的链接。(格式：自制)
  61. ftp://ftp.cps.msu.edu/pub/prip - 许多图像 (格式：未知)
  62. Middlebury 立体数据集与真实标签- 六个包含平面区域的场景的多帧立体数据集。每个数据集包含 9 张彩色图像和亚像素精度真实标签数据。(格式：ppm)
  63. Middlebury 立体视觉研究页面- Middlebury 学院
  64. Modis 机载模拟器，画廊和数据集- 支持 NASA EOS 计划的环境建模全球高空影像（格式：JPG 和 HDF）
  65. NIST 指纹和手写 - 数据集 - 数千张图像（格式：未知）
  66. NIST 指纹数据 - 压缩的多部分 uu 编码 tar 文件
  67. 美国国立医学图书馆可见人体项目- 颜色、CAT 和 MRI 图像样本 - 超过 30 张图像（格式：jpeg）
  68. 国家设计资源库- 超过 55,000 个 3D CAD 和实体模型，主要为机械/加工工程设计。（格式：gif,vrml,wrl,stp,sat）
  69. 几何与智能计算实验室
  70. 俄亥俄州立大学（密歇根州立大学）3D 对象模型数据库- 在多年收集的几组 3D 对象模型，用于对象识别研究（格式：homebrew, vrml）
  71. OSU (MSU/WSU) 距离图像数据库- 数百张真实和合成图像（格式：gif，homebrew）
  72. OSU/SAMPL 数据库：距离图像、3D 模型、静态图像、运动序列- 超过 1000 张距离图像、3D 物体模型、静态图像和运动序列（格式：gif，ppm，vrml，homebrew）
  73. 信号分析与机器感知实验室
  74. 奥塔哥光流评估序列- 包含机器可读的真实和合成序列光流场，以及用于为新序列生成光流场的工具。（格式：ppm,tif,homebrew）
  75. 视觉研究组
  76. ftp://ftp.limsi.fr/pub/quenot/opflow/testdata/piv/ - 用于测试粒子图像测速应用的真实和合成图像序列。这些图像可用于光流和图像匹配算法的测试。（格式：pgm（原始））
  77. LIMSI-CNRS/CHM/IMM/vision
  78. LIMSI-CNRS
  79. 光度三维表面纹理数据库- 这是第一个提供完整真实表面旋转和注册光度立体数据的 3D 纹理数据库（30 种纹理，1680 张图像）。（格式：TIFF）
  80. 用于光流分析的序列（SOFA）- 9 个为测试运动分析应用而设计的合成序列，包括完整的运动真实值和相机参数。（格式：gif）
  81. 计算机视觉组
  82. 用于基于流的重建的序列- 用于测试运动结构算法的合成序列（格式：pgm）
  83. 带有真实深度图和遮挡的立体图像- 一小部分带有不同噪声量的走廊合成图像。使用这些图像来评估你的立体算法。（格式：raw、viff (khoros) 或 tiff）
  84. 斯图加特范围图像数据库- 来自网络上的高分辨率多边形模型的合成范围图像集合（格式：homebrew）
  85. 部门图像理解
  86. AR 人脸数据库- 包含超过 4,000 张彩色图像，对应 126 个人的面部（70 名男性和 56 名女性）。正面视图，具有面部表情、照明和遮挡的变化。（格式：RAW (RGB 24 位))
  87. Purdue 机器人视觉实验室
  88. MIT-CSAIL 物体和场景数据库- 用于测试多类别物体检测和场景识别算法的数据库。超过 72,000 张图像，2873 个标注帧。超过 50 个标注物体类别。(格式：jpg)
  89. RVL SPEC-DB (SPECularity DataBase)- 收集了在三种不同照明条件（漫射/环境/定向）下拍摄的 100 个物体的 300 多张真实图像。-- 使用这些图像来测试用于检测和补偿彩色图像中高光算法。(格式：TIFF )
  90. 机器人视觉实验室
  91. Xm2vts 数据库- XM2VTSDB 包含 295 人在四个月内录制的四个数字录音。该数据库包含面部图像和视频数据。
  92. 视觉、语音和信号处理中心
  93. 交通图像序列和 '大理石块' 序列- 数千帧数字化交通图像序列以及 '大理石块' 序列（灰度图像）（格式：GIF）
  94. IAKS/KOGS
  95. U Bern 人脸图像 - 数百张图像（格式：Sun rasterfile）
  96. U Michigan 纹理（格式：压缩原始格式）
  97. U Oulu 木材和结数据库- 包括分类 - 1000 多张彩色图像（格式：ppm）
  98. UCID - 一个未压缩的彩色图像数据库- 一个具有预定义真实标签的图像检索基准数据库。（格式：tiff）
  99. UMass Vision Image Archive- 大型图像数据库，包含航拍、太空、立体、医学图像等。(格式：自制)
  100. UNC's 3D image database - 包含大量图像。(格式：GIF)
  101. USF Range Image Data with Segmentation Ground Truth- 80 个图像集。(格式：Sun rasterimage)
  102. University of Oulu Physics-based Face Database- 包含在不同光源和相机校准条件下的人脸彩色图像，以及每个人的皮肤光谱反射率测量数据。
  103. 机器视觉与媒体处理单元
  104. 奥卢大学纹理数据库- 包含 320 种表面纹理的数据库，每种纹理在三种光源、六种空间分辨率和九种旋转角度下进行捕获。还提供了一套测试套件，以便以标准方式测试纹理分割、分类和检索算法。（格式：bmp、ras、xv）
  105. 机器视觉小组
  106. Usenix 人脸数据库 - 来自许多不同网站的人脸图像（约 994 张）
  107. 查看球面数据库- 8 个物体从许多不同视点看到的图像。球面视图使用 172 张/球面的测地线进行采样。提供两个用于训练和测试的数据集。（格式：ppm）
  108. PRIMA, GRAVIR
  109. Vision-list 图像档案 - 许多图像，多种格式
  110. Wiry 物体识别数据库- 数千张购物车、梯子、凳子、自行车、椅子和杂乱场景的图像，带有边缘和区域的地面真实标注。（格式：jpg）
  111. 3D Vision Group
  112. Yale Face Database- 165 张图像（15 个人）具有不同的光照、表情和遮挡配置。
  113. Yale Face Database B- 每个受试者有 5760 张单光源图像，在 576 种观看条件下（9 个姿势 x 64 种照明条件）拍摄。（格式：PGM）
  114. Computational Vision and Control Center
  115. DeepMind QA Corpus- 来自 CNN 和 DailyMail 的文本问答语料库。总文档量超过 30 万份。论文供参考。
  116. YouTube-8M Dataset- YouTube-8M 是一个大规模标记视频数据集，包含 800 万个 YouTube 视频 ID 以及来自 4800 个视觉实体词汇的标签。
  117. Open Images dataset- Open Images 是一个包含约 900 万张图像 URL 的数据集，这些图像已被标记超过 6000 个类别。
  118. Visual Object Classes Challenge 2012 (VOC2012)- VOC2012 数据集包含 12k 张图像，有 20 个标注类别用于目标检测和分割。
  119. Fashion-MNIST- 一个类似于 MNIST 的时尚产品数据集，包含 60,000 个训练样本和 10,000 个测试样本。每个样本是一个 28x28 的灰度图像，并关联一个来自 10 个类别的标签。
  120. 大规模时尚（DeepFashion）数据库- 包含超过 800,000 张多样化的时尚图像。该数据集中的每张图像都标记有 50 个类别、1,000 个描述性属性、边界框和服装关键点。
  121. FakeNewsCorpus- 包含约 1000 万篇使用opensources.co类型分类的新闻文章。
  122. LLVIP- 用于低光视觉研究的 15,488 对可见光-红外图像（共 30,976 张图像），项目页面
  123. MSDA- 超过 500 万张来自 5 个不同领域的图像，用于多源 OCR/文本识别 DA 研究，项目页面
  124. SANAD: 用于自动文本分类的单标签阿拉伯新闻文章数据集- SANAD 数据集是一个包含大量阿拉伯新闻文章的大型集合，可用于不同的阿拉伯 NLP 任务，如文本分类和词嵌入。这些文章是使用为三个流行的新闻网站（阿尔哈利吉、阿尔阿拉比亚和 akhbarona）专门编写的 Python 脚本收集的。
  125. Referit3D- 两个大规模且互补的视觉-语言数据集（即 Nr3D 和 Sr3D），用于在 ScanNet 场景中识别细粒度 3D 物体。Nr3D 包含 41.5K 自然自由形式的语句，而 Sr3d 包含 83.5K 基于模板的语句。
  126. SQuAD- 斯坦福发布了约 10 万个英文问答对和约 5 万个无解问题
  127. FQuAD- Illuin Technology 发布了约 25,000 个法语问答对
  128. GermanQuAD 和 GermanDPR- deepset 发布了约 14,000 个德语问答对
  129. SberQuAD- Sberbank 发布了约 90,000 个俄语问答对
  130. ArtEmis- 包含 80,000 件 WikiArt 艺术品的 450K 个情感反应标注和语言解释

会议

  1. CVPR - IEEE 计算机视觉与模式识别会议
  2. AAMAS - 国际自主代理与多代理系统联合会议
  3. IJCAI - 国际人工智能联合会议
  4. ICML - 国际机器学习会议
  5. ECML - 欧洲机器学习会议
  6. KDD - 知识发现与数据挖掘
  7. NIPS - 神经信息处理系统
  8. O'Reilly AI Conference - O'Reilly 人工智能会议
  9. ICDM - 国际数据挖掘会议
  10. ICCV - 国际计算机视觉会议
  11. AAAI - 人工智能进步协会
  12. MAIS - Montreal AI Symposium

框架

  1. Caffe
  2. Torch7
  3. Theano
  4. cuda-convnet
  5. convetjs
  6. Ccv
  7. NuPIC
  8. DeepLearning4J
  9. Brain
  10. DeepLearnToolbox
  11. Deepnet
  12. Deeppy
  13. JavaNN
  14. hebel
  15. Mocha.jl
  16. OpenDL
  17. cuDNN
  18. MGL
  19. Knet.jl
  20. Nvidia DIGITS - 基于 Caffe 的 Web 应用
  21. Neon - 基于 Python 的深度学习框架
  22. Keras - 基于 Theano 的深度学习库
  23. Chainer - 一个用于深度学习的灵活神经网络框架
  24. RNNLM Toolkit
  25. RNNLIB - 一个循环神经网络库
  26. char-rnn
  27. MatConvNet: MATLAB 的 CNN
  28. Minerva - 一种快速且灵活的多 GPU 深度学习工具
  29. Brainstorm - 快速、灵活且有趣的神经网络。
  30. Tensorflow - 一种使用数据流图进行数值计算的开源软件库
  31. DMTK - Microsoft 分布式机器学习工具包
  32. Scikit Flow - TensorFlow 的简化接口（模仿 Scikit Learn）
  33. MXnet - 轻量级、便携、灵活的分布式/移动深度学习框架
  34. Veles - 三星分布式机器学习平台
  35. Marvin - 一个仅使用 GPU 的极简 N 维卷积网络框架
  36. Apache SINGA - 一个通用的分布式深度学习平台
  37. DSSTNE - 亚马逊用于构建深度学习模型的库
  38. SyntaxNet - Google 的句法解析器 - 一个 TensorFlow 依赖库
  39. mlpack - 一个可扩展的机器学习库
  40. Torchnet - 基于 Torch 的深度学习库
  41. Paddle - 百度并行分布式深度学习
  42. NeuPy - 基于 Theano 的用于人工神经网络和深度学习的 Python 库
  43. Lasagne - 一个轻量级库，用于在 Theano 中构建和训练神经网络
  44. nolearn - 现有神经网络库的包装器和抽象，尤其是 Lasagne
  45. Sonnet - Google DeepMind 构建神经网络的库
  46. PyTorch - 在 Python 中进行张量和动态神经网络的库，具有强大的 GPU 加速
  47. CNTK - Microsoft Cognitive Toolkit
  48. Serpent.AI - Game agent framework: Use any video game as a deep learning sandbox
  49. Caffe2 - A New Lightweight, Modular, and Scalable Deep Learning Framework
  50. deeplearn.js - Hardware-accelerated deep learning and linear algebra (NumPy) library for the web
  51. TVM - 面向 CPU、GPU 和专用加速器的端到端深度学习编译器栈
  52. Coach - 英特尔® AI 实验室的强化学习教练
  53. albumentations - 一个快速且框架无关的图像增强库
  54. Neuraxle - 一个通用的机器学习流水线框架
  55. Catalyst：PyTorch DL & RL 研究的高级工具库。它专注于可复现性、快速实验和代码/想法的复用
  56. garage - 可复现强化学习研究的工具包
  57. Detecto - 用 5-10 行代码训练和运行目标检测模型
  58. Karate Club - 用于图结构数据的无监督机器学习库
  59. Synapses - 一个轻量级的神经网络库，可在任何地方运行
  60. TensorForce - 一个用于强化学习的 TensorFlow 库
  61. Hopsworks - 一个用于机器学习和数据密集型 AI 的特征存储库
  62. Feast - 由 Gojek/Google 为 GCP 开发的机器学习特征存储库
  63. PyTorch Geometric Temporal - 动态图上的表示学习
  64. lightly - 用于自监督学习的计算机视觉框架
  65. Trax — 清晰代码和速度的深度学习
  66. Flax - 为 JAX 设计的灵活神经网络生态系统
  67. QuickVision
  68. Colossal-AI - An Integrated Large-scale Model Training System with Efficient Parallelization Techniques
  69. haystack: an open-source neural search framework
  70. Maze- 面向实际应用的深度强化学习框架，解决现实世界中的决策问题。
  71. InsNet - 一个用于构建基于实例的 NLP 模型的神经网络库，支持无填充的动态批处理

工具

  1. Nebullvm- 易于使用的库，通过利用多个深度学习编译器来加速深度学习推理。
  2. Netron- 深度学习和机器学习模型的可视化工具
  3. Jupyter Notebook- 基于网络的交互式计算笔记本环境
  4. TensorBoard- TensorFlow 的可视化工具
  5. Visual Studio Tools for AI- 开发、调试和部署深度学习和人工智能解决方案
  6. TensorWatch- 深度学习的调试和可视化
  7. ML Workspace- 一站式基于网络的机器学习和数据科学集成开发环境。
  8. dowel- 机器学习研究的小型日志记录器。只需一次调用 logger.log()，即可将任何对象记录到控制台、CSV 文件、TensorBoard、文本日志文件等。
  9. Neptune- 轻量级实验跟踪和结果可视化工具。
  10. CatalyzeX- 浏览器扩展（Chrome 和 Firefox），可自动查找并链接到在线 ML 论文的代码实现：Google、Twitter、Arxiv、Scholar 等。
  11. Determined- 集成分布式训练、超参数调优、智能 GPU 调度、实验跟踪和模型注册功能的深度学习训练平台。
  12. DAGsHub- 开源机器学习社区平台——轻松管理实验、数据和模型，并创建协作机器学习项目。
  13. hub- activeloop.ai 提供的 TensorFlow/PyTorch 最快非结构化数据集管理工具。支持数据流和版本控制。将大型数据转换为云端单一 numpy-like 数组，可在任何机器上访问。
  14. DVC- DVC 旨在使机器学习模型可共享和可复现。它设计用于处理大型文件、数据集、机器学习模型和指标，以及代码。
  15. CML- CML 帮助您将最喜欢的 DevOps 工具带到机器学习领域。
  16. MLEM- MLEM 是一个易于打包、部署和提供机器学习模型的工具。它无缝支持实时服务、批量处理等多种场景。
  17. Maxim AI- 用于 AI 代理模拟、评估和可观察性的工具。

其他

  1. Caffe Webinar
  2. Github 上的 100 个最佳 DL 资源
  3. Word2Vec
  4. Caffe DockerFile
  5. TorontoDeepLEarning convnet
  6. gfx.js
  7. Torch7 Cheat sheet
  8. MIT 'Advanced Natural Language Processing'课程的其他资源
  9. MIT《机器学习》课程杂项
  10. MIT《学习网络：回归与分类》课程杂项
  11. MIT《神经编码与声音感知》课程杂项
  12. 在 Spark 上实现分布式深度学习网络
  13. 一个使用深度学习学习下棋的棋类 AI。
  14. 复现 DeepMind 的"Playing Atari with Deep Reinforcement Learning"实验结果
  15. Wiki2Vec。从维基百科转储中获取实体和词的 Word2vec 向量
  16. DeepMind 文章的原始代码+调整
  17. Google deepdream - 神经网络艺术
  18. 一个高效的、批处理的 LSTM。
  19. 一个用于生成古典音乐的循环神经网络。
  20. 记忆网络实现 - Facebook
  21. 使用 Google 的 FaceNet 深度神经网络进行人脸识别。
  22. 基本数字识别神经网络
  23. 情感识别 API 演示 - Microsoft
  24. 在 TensorFlow 中加载 Caffe 模型的概念验证
  25. YOLO: 实时目标检测
  26. YOLO: 使用 Python 的实用实现
  27. AlphaGo - 对 DeepMind 2016 年《自然》杂志发表的论文“使用深度神经网络和树搜索掌握围棋游戏”的复现
  28. 软件工程师的机器学习
  29. 机器学习很有趣！
  30. Siraj Raval 的深度学习教程
  31. Dockerface- 易于安装和使用的深度学习 Faster R-CNN 人脸检测，适用于图像和视频的 Docker 容器。
  32. Awesome Deep Learning Music- 与深度学习科学研究中应用于音乐的精选文章列表
  33. Awesome Graph Embedding- 精选与图结构数据在图层面的深度学习科学研究相关的文章列表。
  34. Awesome Network Embedding- 精选与图结构数据在节点层面的深度学习科学研究相关的文章列表。
  35. Microsoft Recommenders包含构建推荐系统的示例、工具和最佳实践。为自学和在自己的应用程序中自定义提供了多种最先进算法的实现。
  36. 循环神经网络的无与伦比的有效性- Andrej Karpathy 的博客文章，关于使用 RNN 生成文本。
  37. Ladder Network- 用于半监督学习的 Ladder Network Keras 实现
  38. toolbox: 精选的机器学习库列表
  39. CNN 解释器
  40. AI 专家路线图- 成为人工智能专家的路线图
  41. 超棒药物相互作用、协同作用和多药治疗预测
回复 点赞 举报
😀 😊 😵‍💫 😡 🤝 🙏 👍 👎 ❤️