卷积神经网络 CNN
深度学习元老Yann Lecun详解卷积神经网络
Yann Lecun 的 CNN 话题演讲+ppt。
链接：http://www.leiphone.com/news/201608/zaB48AcZ1AFm1TaP.html
卷积神经网络（CNN）新手指南
翻译自国外的 CNN 教程，阐明详细，浅近易懂。本文分为两部分。
链接：http://www.leiphone.com/news/201607/KjXQ1dFpOQfhTEdK.html
http://www.leiphone.com/news/201608/GBJqHBnfDhq22qpD.html
卷积神经网络全面解析
作者自己的博客，归纳总结了关键知识点，深入浅出。
链接：http://www.moonshile.com/post/juan-ji-shen-jing-wang-luo-quan-mian-jie-xi
卷积神经网络(CNN)学习条记
同样是博客，重点先容了 CNN 的网络构造和演习过程。ppt 做得非常存心，分为两个部分。
链接：http://www.jeyzhang.com/cnn-learning-notes-1.html
http://www.jeyzhang.com/cnn-learning-notes-2.html
卷积神经网络
作者的一些心得体会颇值得参考。
链接：http://blog.csdn.net/stdcoutzyx/article/details/41596663
递归神经网络 RNN 及 LSTM
想理解递归神经网络？这里有一份入门教程
零根本认识 RNN，先容核心知识点。
链接：http://www.leiphone.com/news/201608/syAwLNx4bGPuFYI1.html
理解LSTM网络
翻译而来，原文是讲解 LSTM 最受欢迎的英语文章之一，非常值得一读。犹如标题，它侧重理解而不是算法实现。译者的功底很深，措辞清楚明白；当然，原作者对该话题的理解十分深刻，否则不能把原来晦涩的知识点讲解得这么清楚。
链接：http://www.jeyzhang.com/understanding-lstm-network.html
谷歌大脑科学家亲解 LSTM：一个关于“遗忘”与“影象”的故事
同样是翻译而来，同样是国外 LSTM 最经典的先容文章之一，作者是 Google Brain 科学家 Christopher Olah。文中示意图看着有没有很眼熟？由于它们与上文本是同一套。
链接：http://www.leiphone.com/news/201701/UIlrDBnwiqoQUbqB.html
深度RNN办理语义搜索难题
如何借助 RNN 布局语义搜索引擎，本文先容了三种实现模式。
链接：http://www.leiphone.com/news/201608/qTGP6gqnkefJSgiH.html
递归神经网络之父施米德休：他和DeepMind有不解之缘
顺便来点八卦内容，看看 RNN 发明者的开挂人生。
链接：http://www.leiphone.com/news/201603/xEsltgZe9O1pk1NP.html
RNN以及LSTM的先容和公式梳理
根据外文教材和论文整理的算法事理和公式。
链接：http://blog.csdn.net/Dark_Scope/article/details/47056361
递归张量神经网络 RNTN
RNTN-递归张量神经网络
大略先容 RNTN 的优点和事理。
链接：http://blog.csdn.net/star_bob/article/details/47835563
海内关于 RNTN 的资料实在太少，在教科书和网上公开课程之外，开拓者可以看看 RNTN 之父 Richard Socher, 的论文：《Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank 》
链接：http://nlp.stanford.edu/~socherr/EMNLP2013_RNTN.pdf
Deeplearning4j 还有一个短文，提到了 RNTN 模型的一些搭建要点。
链接：https://deeplearning4j.org/recursiveneuraltensornetwork.html
自动编码器 Autoencoder
自编码算法与稀疏性
这是斯坦福百科论坛里，对稀疏自动编码器的中文先容，是一篇很好的翻译文章。
链接：http://deeplearning.stanford.edu/wiki/index.php/%E8%87%AA%E7%BC%96%E7%A0%81%E7%AE%97%E6%B3%95%E4%B8%8E%E7%A8%80%E7%96%8F%E6%80%A7
稀疏自动编码器 （Sparse Autoencoder）
对稀疏自动编码器的数学推导。作者表示，吴恩达老师的机器学习课程讲解了这些观点，但受到韶光限定不得不略过了推导和数学事理部分。本文是对其的补充。
链接：https://my.oschina.net/findbill/blog/541143
为什么稀疏自编码器很少见到多层的？
这是知乎上的问答，不仅回答了以上问题，还梳理了自动编码器的事理。
链接：https://www.zhihu.com/question/41490383
深度学习算法实践13---去噪自动编码机（Denosing Autoencoder）
对自动编码器（以及去噪自动编码器）事理和运用的先容，大略易懂，对小白十分友好。
链接：http://blog.csdn.net/yt7589/article/details/52368608
Deep Learning（深度学习）学习条记整理
综合的深度学习条记，涉及它的事理和演习技巧。但它重点对自动编码器，以及它的两个变种——稀疏自动编码器和去噪自动编码器做了事理先容。
链接：http://www.dataguru.cn/article-3339-2.html
天生对抗网络 GAN
“GANs之父”Goodfellow 38分钟视频亲授：如何完善天生对抗网络？（上）
如题，Ian Goodfellow 在 NIPS 大会上的演讲，含部分 ppt。
链接：http://www.leiphone.com/news/201612/eAOGpvFl60EgFSwS.html
“GAN之父”Goodfellow与网友互动：关于GAN的11个问题（附视频）
Ian Goodfellow NIPS 大会演讲的互动部分，回答了现场高朋提问。
链接：http://www.leiphone.com/news/201612/JMWZE6BXRZxB1A6d.html
深度学习新星：GAN的基本事理、运用和走向 | 硬创公开课
新加坡国立大学冯佳时教授对 GAN 的综合讲解。
链接：http://www.leiphone.com/news/201701/Kq6FvnjgbKK8Lh8N.html
深度解读：GAN模型及其在2016年度的进展
中科院博士、打算技能研究所助理教授杨双对 GAN 的讲解。
链接：http://www.leiphone.com/news/201701/Hrv1qUS6GYl1vl7O.html
天生对抗网络（GANs ）为什么这么火？盘点它出身以来的紧张技能进展
回顾天生对抗网络 2014-2016 的四项重大里程碑。
链接：http://www.leiphone.com/news/201612/Cdcb1X9tm1zsGSWD.html
GAN 很繁芜？如何用不到 50 行代码演习 GAN（基于 PyTorch）
本文作者为前谷歌高等工程师、AI 初创公司 Wavefront 创始人兼 CTO Dev Nag，先容了他是如何用不到五十行代码，在 PyTorch 平台上完成对 GAN 的演习。全套演习代码发布于 GitHub，链接在文末。
链接：http://yingpeng.leiphone.com/article/update?id=161673
GAN学习指南：从事理入门到制作天生Demo，统共分几步？
对 GAN、DCGAN 的事理先容，对基于 Tensorflow 的 DCGAN 实践作了简要解释。
链接：http://www.leiphone.com/news/201701/yZvIqK8VbxoYejLl.html
令人拍桌赞叹的 Wasserstein GAN
原始 GAN 的问题以及 WGAN 的优点。
链接：http://www.leiphone.com/news/201702/EU12GVIe2pNGtgEk.html
LS-GAN作者诠释新型GAN：条条大路通罗马，把GAN建立在Lipschitz密度上
LS-GAN 以及它与 WGAN、GAN 的不同之处。
链接：http://www.leiphone.com/news/201702/QlPJUIqgyw6brWr2.html
GAN的理解与TensorFlow的实现
先容天生式模型的事理。作者创建了基于 TensorFlow 的 Info-GAN 模型，发布于 GitHub，文中附链接。
链接：http://www.leiphone.com/news/201702/GZsIbIb9V9AUGmb6.html
深度置信网络 DBN 和受限玻尔兹曼机 RBM
受限玻尔兹曼机根本教程
如题，deeplearning4j 的教程。
链接：https://deeplearning4j.org/cn/archieved/zh-restrictedboltzmannmachine
受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）
翻译自国外的 RBM 的实践教程。
链接：http://www.cnblogs.com/tuhooo/p/5440473.html
深度学习方法：受限玻尔兹曼机 RBM 网络模型
本文分为四部分，是对 RBM 的较详细讲解，分为四部分。
链接：http://blog.csdn.net/xbinworld/article/details/44901865
http://blog.csdn.net/xbinworld/article/details/45013825
http://blog.csdn.net/xbinworld/article/details/45128733
http://blog.csdn.net/xbinworld/article/details/45274289
Deep Learning（深度学习）学习条记整理系列之（六）
对 RBM 和 DBN 事理知识点的整理。
链接：http://blog.csdn.net/zouxy09/article/details/8781396/
深度信念网络(Deep Belief Network)
另一篇学习条记整理。
链接：http://blog.csdn.net/losteng/article/details/51001247
机器学习——DBN深度信念网络详解
对 DBN 的简要先容，文中对 RBM 的图解十分有帮助。
链接：http://m.blog.csdn.net/article/details?id=52184189
受限玻尔兹曼机(Restricted Boltzmann Machine, RBM) 简介
如题，对其算法的简介。
链接：http://www.cnblogs.com/kemaswill/p/3203605.html雷锋网版权雷锋网版权
