还记的吴恩达在斯坦福最新的深度学习课程么?那是继 deeplearning.ai 深度学习专项课程之后吴恩达的又一神作。
课程助教课程涉及深度学习的基础知识、神经网络构建,以及如何完成一个成功的机器学习项目。具体将涉及卷积网络,RNNs,LSTM,Adam,Dropout,BatchNorm,Xavier / He初始化等,还提供医疗,自动驾驶,手语阅读,音乐创作和自然语言处理等多领域的案例研究。
如此优秀的课程,可惜是线下课程,不能满足所有人的需求,因此我们之前给出过课程的相关资料,也推荐过此课程的一个具体的项目《用GAN补全镜头外的世界》。可以帮助非斯坦福的同学学习课程,现在文摘菌给出课程的补充资料,吴恩达的粉丝快快收藏吧~~~
此补充资料分为实践项目和最终项目,而且所有的资料都放在GitHub中,下面给出简介和GitHub地址,感兴趣的同学自行浏览和下载。
实践项目
这一部分包括TensorFlow简介和数据的预处理。其中TensorFlow简介分为两个部分,第一部分是TensorFlow教程,通过这个教程你可以通过MNIST数据库用代码建立一个神经网络,对数据集进行分类。另一部分是一个项目实现的参考代码,目的是为了更好地熟悉教学人员提供的CS 230项目示例代码。
CS230项目示例代码:https://github.com/cs230-stanford/cs230-code-examples
数据的预处理也包括两部分,其中第一部分是图像数据的预处理,在这一部分中,通过练习能够使用流行的库“skImage”对图像进行预处理,然后运用到Keras编码的神经网络中。第二部分是文本数据的预处理,除此之外附录中给出了一个训练数据以及模型的代码示例。
GitHub链接:https://github.com/cs230-stanford/cs230-code-examples/tree/master/tensorflow
最终项目
最终项目分为4个部分,包括简介,最佳实践展示,TensorFlow以及pytorch。其中简介目录下有两个子目录。项目代码示例的介绍目录下整体介绍了怎样帮助熟悉ProjectCode示例,并介绍一系列解释如何构建深度学习项目的文章。AWS setup目录下介绍了如何为深度学习项目建立AWS。
第二部分是最佳项目示例也有两个子目录,包括,对训练数据集,开发数据集以及测试数据集的分离。第二个子目录介绍了如何配置文件、加载超参数以及如何做随机搜索等。
最终项目的第三部分是TensorFlow的一系列的知识,包括TensorFlow的简介,如何构建数据管道以及如何创建和训练模型。这一部分的TensorFlow简介与前面不同的是:帮助学生了解更多的TensorFlow相关信息,以及了解如何使用tf.layers轻松构建模型
第四部分是PyTorch版块,分为三个子目录,第一个子目录帮助了解有关PyTorch的更多信息,以及帮助学习如何在PyTorch中正确构造深度学习项目等。第二部分是卷积网络的定义及使用pytorch对图像数据进行高效的加载。第三部分是教会学生定义递归网络并加载文本数据。
GitHub链接:https://cs230-stanford.github.io/pytorch-nlp.html
文章来源:机器之心
本站微信群、QQ群(三群号 726282629):