ApacheCN 深度学习译文集 2020.9

协议：CC BY-NC-SA 4.0 自豪地采用谷歌翻译 不要担心自己的形象，只关心如何实现目标。——《原则》，生活原则 2.3.c

• 在线阅读
• ApacheCN 面试求职交流群 724187166
• ApacheCN 学习资源

目录

• TensorFlow 1.x 深度学习秘籍
  • 零、前言
  • 一、TensorFlow 简介
  • 二、回归
  • 三、神经网络：感知器
  • 四、卷积神经网络
  • 五、高级卷积神经网络
  • 六、循环神经网络
  • 七、无监督学习
  • 八、自编码器
  • 九、强化学习
  • 十、移动计算
  • 十一、生成模型和 CapsNet
  • 十二、分布式 TensorFlow 和云深度学习
  • 十三、AutoML 和学习如何学习（元学习）
  • 十四、TensorFlow 处理单元
• 使用 TensorFlow 构建机器学习项目中文版
  • 一、探索和转换数据
  • 二、聚类
  • 三、线性回归
  • 四、逻辑回归
  • 五、简单的前馈神经网络
  • 六、卷积神经网络
  • 七、循环神经网络和 LSTM
  • 八、深度神经网络
  • 九、大规模运行模型 – GPU 和服务
  • 十、库安装和其他提示
• TensorFlow 深度学习中文第二版
  • 一、人工神经网络
  • 二、TensorFlow v1.6 的新功能是什么？
  • 三、实现前馈神经网络
  • 四、CNN 实战
  • 五、使用 TensorFlow 实现自编码器
  • 六、RNN 和梯度消失或爆炸问题
  • 七、TensorFlow GPU 配置
  • 八、TFLearn
  • 九、使用协同过滤的电影推荐
  • 十、OpenAI Gym
• TensorFlow 深度学习实战指南中文版
  • 一、入门
  • 二、深度神经网络
  • 三、卷积神经网络
  • 四、循环神经网络介绍
  • 五、总结
• 精通 TensorFlow 1.x
  • 一、TensorFlow 101
  • 二、TensorFlow 的高级库
  • 三、Keras 101
  • 四、TensorFlow 中的经典机器学习
  • 五、TensorFlow 和 Keras 中的神经网络和 MLP
  • 六、TensorFlow 和 Keras 中的 RNN
  • 七、TensorFlow 和 Keras 中的用于时间序列数据的 RNN
  • 八、TensorFlow 和 Keras 中的用于文本数据的 RNN
  • 九、TensorFlow 和 Keras 中的 CNN
  • 十、TensorFlow 和 Keras 中的自编码器
  • 十一、TF 服务：生产中的 TensorFlow 模型
  • 十二、迁移学习和预训练模型
  • 十三、深度强化学习
  • 十四、生成对抗网络
  • 十五、TensorFlow 集群的分布式模型
  • 十六、移动和嵌入式平台上的 TensorFlow 模型
  • 十七、R 中的 TensorFlow 和 Keras
  • 十八、调试 TensorFlow 模型
  • 十九、张量处理单元
• TensorFlow 机器学习秘籍中文第二版
  • 一、TensorFlow 入门
  • 二、TensorFlow 的方式
  • 三、线性回归
  • 四、支持向量机
  • 五、最近邻方法
  • 六、神经网络
  • 七、自然语言处理
  • 八、卷积神经网络
  • 九、循环神经网络
  • 十、将 TensorFlow 投入生产
  • 十一、更多 TensorFlow
• 与 TensorFlow 的初次接触
  • 前言
  • 1. TensorFlow 基础知识
  • 2. TensorFlow 中的线性回归
  • 3. TensorFlow 中的聚类
  • 4. TensorFlow 中的单层神经网络
  • 5. TensorFlow 中的多层神经网络
  • 6. 并行
  • 后记
• TensorFlow 学习指南
  • 一、基础
  • 二、线性模型
  • 三、学习
  • 四、分布式
• TensorFlow Rager 教程
  • 一、如何使用 TensorFlow Eager 构建简单的神经网络
  • 二、在 Eager 模式中使用指标
  • 三、如何保存和恢复训练模型
  • 四、文本序列到 TFRecords
  • 五、如何将原始图片数据转换为 TFRecords
  • 六、如何使用 TensorFlow Eager 从 TFRecords 批量读取数据
  • 七、使用 TensorFlow Eager 构建用于情感识别的卷积神经网络（CNN）
  • 八、用于 TensorFlow Eager 序列分类的动态循坏神经网络
  • 九、用于 TensorFlow Eager 时间序列回归的递归神经网络
• TensorFlow 高效编程
• 图嵌入综述：问题，技术与应用
  • 一、引言
  • 三、图嵌入的问题设定
  • 四、图嵌入技术
  • 基于边重构的优化问题
  • 应用
• 基于深度学习的推荐系统：综述和新视角
  • 引言
  • 基于深度学习的推荐：最先进的技术
  • 基于卷积神经网络的推荐
• 关于卷积神经网络我们理解了什么
  • 第1章概论
  • 第2章多层网络
  • 2.1.4生成对抗网络
  • 2.2.1最近ConvNets演变中的关键架构
  • 2.2.2走向ConvNet不变性
  • 2.3时空卷积网络
  • 第3章了解ConvNets构建块
  • 3.2整改
  • 3.3规范化
  • 3.4汇集
  • 第四章现状
  • 4.2打开问题
  • 参考
• 机器学习超级复习笔记
• Python 迁移学习实用指南
  • 零、前言
  • 一、机器学习基础
  • 二、深度学习基础
  • 三、了解深度学习架构
  • 四、迁移学习基础
  • 五、释放迁移学习的力量
  • 六、图像识别与分类
  • 七、文本文件分类
  • 八、音频事件识别与分类
  • 九、DeepDream
  • 十、自动图像字幕生成器
  • 十一、图像着色
• 面向计算机视觉的深度学习
  • 零、前言
  • 一、入门
  • 二、图像分类
  • 三、图像检索
  • 四、对象检测
  • 五、语义分割
  • 六、相似性学习
  • 七、图像字幕
  • 八、生成模型
  • 九、视频分类
  • 十、部署
• 深度学习快速参考
  • 零、前言
  • 一、深度学习的基础
  • 二、使用深度学习解决回归问题
  • 三、使用 TensorBoard 监控网络训练
  • 四、使用深度学习解决二分类问题
  • 五、使用 Keras 解决多分类问题
  • 六、超参数优化
  • 七、从头开始训练 CNN
  • 八、将预训练的 CNN 用于迁移学习
  • 九、从头开始训练 RNN
  • 十、使用词嵌入从头开始训练 LSTM
  • 十一、训练 Seq2Seq 模型
  • 十二、深度强化学习
  • 十三、生成对抗网络
• TensorFlow 2.0 快速入门指南
  • 零、前言
  • 第 1 部分：TensorFlow 2.00 Alpha 简介
  • 一、TensorFlow 2 简介
  • 二、Keras：TensorFlow 2 的高级 API
  • 三、TensorFlow 2 和 ANN 技术
  • 第 2 部分：TensorFlow 2.00 Alpha 中的监督和无监督学习
  • 四、TensorFlow 2 和监督机器学习
  • 五、TensorFlow 2 和无监督学习
  • 第 3 部分：TensorFlow 2.00 Alpha 的神经网络应用
  • 六、使用 TensorFlow 2 识别图像
  • 七、TensorFlow 2 和神经风格迁移
  • 八、TensorFlow 2 和循环神经网络
  • 九、TensorFlow 估计器和 TensorFlow HUB
  • 十、从 tf1.12 转换为 tf2
• TensorFlow 入门
  • 零、前言
  • 一、TensorFlow 基本概念
  • 二、TensorFlow 数学运算
  • 三、机器学习入门
  • 四、神经网络简介
  • 五、深度学习
  • 六、TensorFlow GPU 编程和服务
• TensorFlow 卷积神经网络实用指南
  • 零、前言
  • 一、TensorFlow 的设置和介绍
  • 二、深度学习和卷积神经网络
  • 三、TensorFlow 中的图像分类
  • 四、目标检测与分割
  • 五、VGG，Inception，ResNet 和 MobileNets
  • 六、自编码器，变分自编码器和生成对抗网络
  • 七、迁移学习
  • 八、机器学习最佳实践和故障排除
  • 九、大规模训练
  • 十、参考文献

下载

PYPI

pip install apachecn-dl-zh
apachecn-dl-zh <port>
# 访问 http://localhost:{port} 查看文档

NPM

npm install -g apachecn-dl-zh
apachecn-dl-zh <port>
# 访问 http://localhost:{port} 查看文档

贡献指南

本项目需要校对，欢迎大家提交 Pull Request。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）