应该从哪篇论文开始读起呢
2017-03-18 20:53
246 查看
声明:感谢THU数据派公众号(datapi)授权发布。
原文:Deep Learning Papers Reading Roadmap
翻译:王军福,北京理工大学,目标识别从业者。
如果你是深度学习领域的一名新手,可能会遇到的第一个问题是“应该从哪篇论文开始读起呢”?这里给出了深度学习论文阅读路线图!
路线图按照下面四个准则构建而成:
从提纲到细节
从经典到前沿
从通用领域到特定领域
专注于最先进的技术
你将会发现很多近期发表但是确实值得一读的论文。我们将持续不断地给这条路线图添加论文。
1.0 书籍
![](https://img-blog.csdn.net/20170317152306097)
1.1 调查
![](https://img-blog.csdn.net/20170317152320807)
1.2 深度信念网络(DBN) (深度学习开篇的里程碑)
![](https://img-blog.csdn.net/20170317152334754)
1.3 ImageNet进展(深度学习从此爆发)
![](https://img-blog.csdn.net/20170317152349557)
1.4 语音识别进展
![](https://img-blog.csdn.net/20170317152402551)
阅读完上面这些论文后,通过对深度学习模型(包括CNN,RNN,LSTM)的基础框架,以及深度学习如何应用于图像和语音识别问题的理解,你将会对深度学习的历史有一个基本的认识。下面的论文将带你深入理解深度学习模型,深度学习在不同领域的应用和前沿。我们建议你根据自己的兴趣和研究方向选择下面的论文进行阅读。
2.1 模型
![](https://img-blog.csdn.net/20170317153227750)
2.2 优化
![](https://img-blog.csdn.net/20170317153243829)
2.3 无监督学习/深度生成模型
![](https://img-blog.csdn.net/20170317153256064)
2.4 RNN/ Sequence-to-Sequence模型
![](https://img-blog.csdn.net/20170317153310501)
2.5 神经图灵机
![](https://img-blog.csdn.net/20170317153322939)
2.6 深度强化学习
![](https://img-blog.csdn.net/20170317153340844)
2.7 深度迁移学习/终生学习/强化学习
![](https://img-blog.csdn.net/20170317153354094)
2.8 One Shot深度学习
![](https://img-blog.csdn.net/20170317153407719)
3.1 NLP(自然语言处理)
![](https://img-blog.csdn.net/20170317154017497)
3.2 目标检测
![](https://img-blog.csdn.net/20170317154032341)
3.3 视觉跟踪
![](https://img-blog.csdn.net/20170317154046888)
3.4 图像标注
![](https://img-blog.csdn.net/20170317154102175)
3.5 机器翻译
Some milestone papers are listed in RNN / Seq-to-Seq topic.
![](https://img-blog.csdn.net/20170317154138702)
3.6 机器人技术
![](https://img-blog.csdn.net/20170317154153910)
3.7 艺术
![](https://img-blog.csdn.net/20170317154208999)
3.8 目标分割
![](https://img-blog.csdn.net/20170317154222410)
注:文中所有PDF均可点击此处进行下载。
译者:王军福,北京理工大学,目标识别从业者。爱折腾,善实践,对新鲜事物永葆一颗好奇的心。作为数据派新晋活跃分子,在Github知识分享与Kaggle数据实践的道路上为喜欢数据的玩家挖掘有意思的新鲜事。
更多精彩,欢迎关注CSDN大数据公众号!
原文:Deep Learning Papers Reading Roadmap
翻译:王军福,北京理工大学,目标识别从业者。
如果你是深度学习领域的一名新手,可能会遇到的第一个问题是“应该从哪篇论文开始读起呢”?这里给出了深度学习论文阅读路线图!
路线图按照下面四个准则构建而成:
从提纲到细节
从经典到前沿
从通用领域到特定领域
专注于最先进的技术
你将会发现很多近期发表但是确实值得一读的论文。我们将持续不断地给这条路线图添加论文。
1.深度学习历史和基础
1.0 书籍1.1 调查
1.2 深度信念网络(DBN) (深度学习开篇的里程碑)
1.3 ImageNet进展(深度学习从此爆发)
1.4 语音识别进展
阅读完上面这些论文后,通过对深度学习模型(包括CNN,RNN,LSTM)的基础框架,以及深度学习如何应用于图像和语音识别问题的理解,你将会对深度学习的历史有一个基本的认识。下面的论文将带你深入理解深度学习模型,深度学习在不同领域的应用和前沿。我们建议你根据自己的兴趣和研究方向选择下面的论文进行阅读。
2.深度学习方法
2.1 模型2.2 优化
2.3 无监督学习/深度生成模型
2.4 RNN/ Sequence-to-Sequence模型
2.5 神经图灵机
2.6 深度强化学习
2.7 深度迁移学习/终生学习/强化学习
2.8 One Shot深度学习
3.应用
3.1 NLP(自然语言处理)3.2 目标检测
3.3 视觉跟踪
3.4 图像标注
3.5 机器翻译
Some milestone papers are listed in RNN / Seq-to-Seq topic.
3.6 机器人技术
3.7 艺术
3.8 目标分割
注:文中所有PDF均可点击此处进行下载。
译者:王军福,北京理工大学,目标识别从业者。爱折腾,善实践,对新鲜事物永葆一颗好奇的心。作为数据派新晋活跃分子,在Github知识分享与Kaggle数据实践的道路上为喜欢数据的玩家挖掘有意思的新鲜事。
更多精彩,欢迎关注CSDN大数据公众号!
相关文章推荐
- [BetterExplained]为什么你应该(从现在开始就)写博客
- 为什么你应该(从现在开始就)写博客
- 新车磨合应该从正确启动发动机开始
- 每个程序员都应该知道的论文和文章
- 为什么你应该(从现在开始就)写博客
- 《重构》读后感2--什么时候应该开始或结束重构
- 为什么你应该(从现在开始就)写博客
- 为什么你应该从现在开始就写博客
- (转)[BetterExplained]为什么你应该(从现在开始就)写博客
- [BetterExplained]为什么你应该(从现在开始就)写博客
- 论文初稿完成后应该做的事情
- 开始翻译Fielding的博士论文
- 为什么程序员应该从现在就开始看书
- 【转】为什么你应该(从现在开始就)写博客
- 新学期开始,多看论文多做事
- 开始写论文了
- 为什么你应该(从现在开始就)写博客
- VS2005 strong name and the SQl Server 2005 Sample bug (号召大家学新东西一定不要自己去抠,应该从MS的Sample和文档开始,看英文的原文)
- 所有程序员都应该至少读上两遍的十篇论文