本项目是深度学习材料获取一站式平台，内容涵盖深度学习入门课、深度学习百科、产业实践案例(开发中)以及系列特色课程（开发中）等等，后续会分享深度学习实践Tricks和前沿论文复现等。从理论到实践，从科研到产业应用，各类学习材料一应俱全，旨在帮助开发者高效地学习和掌握深度学习知识，快速成为AI跨界人才。
-
内容全面：无论您是深度学习初学者，还是资深用户，都可以在本项目中快速获取到需要的学习材料。
-
形式丰富 ：材料形式多样，包括可在线运行的notebook、视频、书籍、B站直播等，满足您随时随地学习的需求。
-
实时更新：本项目中涉及到的代码均匹配Paddle最新发布版本，开发者可以实时学习最新的深度学习任务实现方案。
-
前沿分享 ：定期分享顶会最新论文解读和代码复现，开发者可以实时掌握最新的深度学习算法。
-
AI Studio在线课程：《零基础实践深度学习》：理论和代码结合、实践与平台结合，包含20小时视频课程，由百度杰出架构师、飞桨产品负责人和资深研发人员共同打造。
-
《零基础实践深度学习》书籍：本课程配套书籍，由清华出版社2020年底发行，京东/当当等电商均有销售。
学习地图：
1.零基础实践深度学习七日课 开营介绍
资料 链接 视频 https://aistudio.baidu.com/aistudio/education/lessonvideo/1366742 课件 https://aistudio.baidu.com/aistudio/education/preview/1447519 2.比赛赛题讲解
资料 链接 视频 https://aistudio.baidu.com/aistudio/education/lessonvideo/1372844 项目 https://aistudio.baidu.com/aistudio/projectdetail/1938271 3.DAY1-AI职业发展与课程介绍
资料 链接 视频 https://aistudio.baidu.com/aistudio/education/lessonvideo/1383195 课件 https://aistudio.baidu.com/aistudio/education/preview/1403278 4.DAY2-手写数字识别案例入门深度学习
附：手写数字识别案例入门深度学习项目
项目 链接 使用飞桨完成手写数字识别模型 https://aistudio.baidu.com/aistudio/projectdetail/2057038 通过极简方案快速构建手写数字识别模型 https://aistudio.baidu.com/aistudio/projectdetail/2056976 手写数字识别之数据处理 https://aistudio.baidu.com/aistudio/projectdetail/2056979 手写数字识别之网络结构 https://aistudio.baidu.com/aistudio/projectdetail/2057051 手写数字识别之损失函数 https://aistudio.baidu.com/aistudio/projectdetail/1910072 手写数字识别之优化算法 https://aistudio.baidu.com/aistudio/projectdetail/2057060 手写数字识别之资源配置 https://aistudio.baidu.com/aistudio/projectdetail/2057061 手写数字识别之训练调试与优化 https://aistudio.baidu.com/aistudio/projectdetail/2057066 手写数字识别之恢复训练 https://aistudio.baidu.com/aistudio/projectdetail/2057069 手写数字识别之动转静部署 https://aistudio.baidu.com/aistudio/projectdetail/2057074 5.DAY3-眼疾识别案例实践计算机视觉
附：眼疾识别案例项目
项目 链接 卷积神经网络基础 https://aistudio.baidu.com/aistudio/projectdetail/2057136 图像分类 https://aistudio.baidu.com/aistudio/projectdetail/2057141 6.DAY4-词向量训练和情感分析任务
附：词向量训练和情感分析任务项目
项目 链接 自然语言处理综述 https://aistudio.baidu.com/aistudio/projectdetail/2057099 词向量Word Embedding https://aistudio.baidu.com/aistudio/projectdetail/2057101 文本情感倾向性分析 https://aistudio.baidu.com/aistudio/projectdetail/2057105 7.DAY5-基于DSSM的电影推荐案例
附：DSSM的电影推荐案例项目
8.DAY6-模型优化经验与飞桨深入解读
深度学习百科包含深度学习基础篇、深度学习进阶篇、深度学习应用篇、强化学习篇以及面试宝典，详细信息请参阅Paddle知识点文档平台。
-
深度学习基础篇
-
- 基础知识（包括神经元、单层感知机、多层感知机等5个知识点）
- 优化策略（包括什么是优化器、GD、SGD、BGD、鞍点、Momentum、NAG、Adagrad、AdaDelta、RMSProp、Adam、AdaMa、Nadam、AMSGrad、AdaBound、AdamW、RAdam、Lookahead等18个知识点）
- 激活函数(包括什么是激活函数、激活函数的作用、identity、step、sigmoid、tanh、relu、lrelu、prelu、rrelu、elu、selu、softsign、softplus、softmax、swish、hswish、激活函数的选择等21个知识点)
- 常用损失函数（包括交叉熵损失、MSE损失以及CTC损失等3个知识点）
- 评估指标（包括Precision、Recall、mAP、IS、FID等5个知识点）
- 模型调优
- 学习率（包括什么是学习率、学习率对网络的影响以及不同的学习率率衰减方法，如：分段常数衰减等12个学习率衰减方法）
- 归一化（包括什么是归一化、为什么要归一化、为什么归一化能提高求解最优解速度、归一化有哪些类型、不同归一化的使用条件、归一化和标准化的联系与区别等6个知识点）
- 正则化(包括什么是正则化？正则化如何帮助减少过度拟合？数据增强、L1 L2正则化介绍、L1和L2的贝叶斯推断分析法、Dropout、DropConnect、早停法等8个知识点)
- 注意力机制 (包括自注意力、多头注意力、经典注意力计算方式等10个知识点)
- Batch size（包括什么是batch size、batch size对网络的影响、batch size的选择3个知识点）
- 参数初始化（包括为什么不能全零初始化、常见的初始化方法等5个知识点）
-
- 词表示 (包括one-hot编码、word-embedding以及word2vec等9个知识点)
- 循环神经网络RNN
- 长短时记忆网络LSTM
- 门控循环单元GRU
-
-
深度学习进阶篇
- 预训练模型
- 预训练模型是什么 (包括预训练、微调等2个知识点)
- 预训练分词Subword(包括BPE、WordPiece、ULM等3个知识点)
- Transformer（包括self-attention、multi-head Attention、Position Encoding、Transformer Encoder、Transformer Decoder等5个知识点）
- BERT（包括BERT预训练任务、BERT微调等2个知识点）
- ERNIE(包括ERNIE介绍、Knowledge Masking等2个知识点)
- 对抗神经网络
- encoder-decoder(包括encoder、decoder等2个知识点)
- GAN基本概念(包括博弈论、纳什均衡、输入随机噪声、生成器、判别器、损失函数、训练不稳定、模式崩溃等8个知识点)
- GAN应用(包括GAN在图像生成、超分辨率、图片上色等方面的应用)
- 预训练模型
-
深度学习应用篇
-
产业实践篇
-
强化学习篇
- 强化学习
- 强化学习基础知识点（包括智能体、环境、状态、动作、策略和奖励的定义）
- 马尔可夫决策过程 （包括马尔可夫决策过程、Model-based、Model-free三个知识点）
- 策略梯度定理 （包括策略梯度定理一个知识点）
- 蒙特卡洛策略梯度定理（包括蒙特卡洛策略梯度定理一个知识点）
- REINFORCE算法 （包括REINFORCE算法简介和流程两个知识点）
- SARSA（包括SARSA的公式、优缺点等2个知识点）
- Q-Learning（包括Q-Learning的公式、优缺点等2个知识点）
- DQN（包括DQN网络概述及其创新点和算法流程2个知识点）
- 强化学习
-
面试宝典
- 深度学习基础
- 为什么归一化能够提高求解最优解的速度？
- 为什么要归一化？
- 归一化与标准化有什么联系和区别？
- 归一化有哪些类型？
- Min-max归一化一般在什么情况下使用？
- Z-score归一化在什么情况下使用？
- 学习率过大或过小对网络会有什么影响？
- batch size的大小对网络有什么影响？
- 在参数初始化时，为什么不能全零初始化？
- 激活函数的作用？
- sigmoid函数有什么优缺点？
- RELU函数有什么优缺点？
- 如何选择合适的激活函数？
- 为什么 relu 不是全程可微/可导也能用于基于梯度的学习？
- 怎么计算mAP？
- 交叉熵为什么可以作为分类任务的损失函数？
- CTC方法主要使用了什么方式来解决了什么问题？
- 机器学习指标精确率，召回率，f1指标是怎样计算的？
- 卷积模型
- 预训练模型
- BPE生成词汇表的算法步骤是什么？
- Multi-Head Attention的时间复杂度是多少？
- Transformer的权重共享在哪个地方？
- Transformer的self-attention的计算过程是什么？
- 讲一下BERT的基本原理
- 讲一下BERT的三个Embedding是做什么的？
- BERT的预训练做了些什么？
- BERT,GPT,ELMO的区别
- 请列举一下BERT的优缺点
- ALBERT相对于BERT做了哪些改进？
- NSP和SOP的区别是什么？
- 对抗神经网络
- GAN是怎么训练的？
- GAN生成器输入为什么是随机噪声？
- GAN生成器最后一层激活函数为什么通常使用tanh()？
- GAN使用的损失函数是什么？
- GAN中模式坍塌(model callapse指什么？)
- GAN模式坍塌解决办法
- GAN模型训练不稳定的原因
- GAN模式训练不稳定解决办法 or 训练GAN的经验/技巧
- 计算机视觉
- ResNet中Residual block解决了什么问题？
- 使用Cutout进行数据增广有什么样的优势？
- GoogLeNet使用了怎样的方式进行了网络创新？
- ViT算法中是如何将Transformer结构应用到图像分类领域的？
- NMS的原理以及具体实现？
- OCR常用检测方法有哪几种、各有什么优缺点？
- 介绍一下DBNet算法原理
- DBNet 输出是什么？
- DBNet loss
- 介绍以下CRNN算法原理
- 介绍一下CTC原理
- OCR常用的评估指标
- OCR目前还存在哪些挑战/难点？
- 自然语言处理
- RNN一般有哪几种常用建模方式?
- LSTM是如何改进RNN，保持长期依赖的?
- LSTM在每个时刻是如何融合之前信息和当前信息的?
- 使用LSTM如何简单构造一个情感分析任务?
- 介绍一下GRU的原理
- word2vec提出了哪两种词向量训练方式
- word2vec提出了负采样的策略，它的原理是什么，解决了什么样的问题？
- word2vec通过什么样任务来训练词向量的?
- 如果让你实现一个命名实体识别任务，你会怎么设计?
- 在命名实体识别中，一般在编码网络的后边添加CRF层有什么意义
- 介绍一下CRF的原理
- CRF是如何计算一条路径分数的?
- CRF是如何解码序列的?
- 使用bilstm+CRF做命名实体识别时，任务的损失函数是怎么设计的？
- BERT的结构和原理是什么?
- BERT使用了什么预训练任务?
- 说一下self-attention的原理?
- 推荐系统
| 章节名称 | notebook链接 | Python实现 | 课程简介 |
|---|---|---|---|
| transformer在图像分类中的应用 | notebook链接 | Python实现 | 本章节将为大家详细介绍 Transformer 在 CV 领域中的两个经典算法：ViT 以及 DeiT。带领大家一起学习Transformer 结构在图像分类领域的具体应用。 |
| 经典的预训练语言模型 | notebook链接 | Python实现 | 本章节将为大家详细介绍NLP领域 Transformer。Transformer的前世今生，包括ELMo，GPT，Transformer，BERT等经典模型，还会介绍Transformer在机器翻译里面的应用 |
非常感谢您使用本项目。您在使用过程中有任何建议或意见，可以在 Issue 上反馈给我们，也可以通过扫描下方的二维码联系我们，飞桨的开发人员非常高兴能够帮助到您，并与您进行更深入的交流和技术探讨。
本项目的发布受Apache 2.0 license许可认证。
本项目的不断成熟离不开各位开发者的贡献，如果您对深度学习知识分享感兴趣，非常欢迎您能贡献给我们，让更多的开发者受益。