原文地址：http://blog.csdn.net/hjimce/article/details/45421595
作者：hjimce
一、学习清单
1、综合类
(1)收集了各种最新最经典的文献，神经网络的资源列表：https://github.com/robertsdionne/neural-network-papers 里面包含了深度学习领域经典、以及最新最牛逼的算法，如果把这个列表学过一遍，基本已然达到了大神级别。
(2)机器学习学习清单：https://github.com/ujjwalkarn/Machine-Learning-Tutorials/blob/master/README.md 当然也包含了深度学习各种资源教程
(3)2010-2016被引用最多的深度学习论文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650716071&idx=1&sn=7aa209732425c6a52536fbb9012a09fd 本人看了一下，感觉很不错，以后就根据这个一篇一篇的啃。
2、计算机视觉
(1)计算机视觉学习清单：https://github.com/kjw0612/awesome-deep-vision 里面包含的都是最经典的深度学习paper。如果把里面的paper都学过一遍，可谓视觉领域的高手高手高高手……
(2)快速搞深度学习图像识别项目，莫过于看识别效果排行榜，找最牛逼的算法搭建起来：http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html#53544c2d3130
3、NLP领域
(1)自然语言学习清单：https://github.com/keonkim/awesome-nlp 从NLP菜鸟到高手的成长之路学习清单
(2)RNN、LSTM等偏向NLP算法类：http://handong1587.github.io/deep_learning/2015/10/09/rnn-and-lstm.html 看起来好像很不错的样子
(3)博客推荐：http://www.wildml.com/ 包含了RNN、LSTM、Attention机制等教程，最主要的是讲解的浅显易懂，让我等菜鸟受益匪浅
二、其它总结
1、调参经验：http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html，里面讲解了深度学习的调参经验总结，很是经典。
2、梯度下降各种变体总结：http://sebastianruder.com/optimizing-gradient-descent/ 作者写的非常好，浅显易懂
3、深度学习加速相关优化：https://handong1587.github.io/deep_learning/2015/10/09/acceleration_model_compression.html
ios:https://developer.apple.com/reference/metalperformanceshaders
http://www.mattrajca.com/2016/11/26/speeding-up-tensorflow-with-metal-performance-shaders.html
http://machinethink.net/blog/
4、深度生成模型浅显易懂博客：http://www.inference.vc/page/4/
5、iPhone移植：http://machinethink.net/blog/
三、训练数据
1、计算机视觉
(1)人脸数据：
A、香港中文大学训练数据集：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
此数据库包含了20w张人脸图片，每张图片标注了5个特征点、以及几十种属性（是否微笑、肤色、发色、性别等属性）
B、68个人脸特征点：http://ibug.doc.ic.ac.uk/resources/facial-point-annotations/
此网站差不多可以下载到3000张，训练数据图片，每张图片标注了68个人脸特征点
C、74个人脸特征点：http://gaps-zju.org/DDE/
这个网站包好了1.4w张的人脸训练数据图片，每张图片标注了74个人脸特征点。不过这个数据感觉标注的很不精确
D、性别与年龄训练数据：https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/
这个网站包含了500k+的人脸性别与年龄训练数据，同时还有文献及代码，对于搞性别年龄预测，资源充足
(2)深度估计、图像分割：
A、RGBD训练数据列表：http://www0.cs.ucl.ac.uk/staff/M.Firman/RGBDdatasets/
2、自然语言
(1)问答系统：https://github.com/karthikncode/nlp-datasets
四：标注工具
1、用于视觉的专门标注工具《Supervisely v2.0: supercharge your training data pipeline with Deep Learning》
点赞 56
————————————————
版权声明：本文为CSDN博主「hjimce」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/hjimce/article/details/45421595
原文地址：https://www.cnblogs.com/duanzexun/p/12028886.html