由淺入深的深度學習資源整理 - LeeMeng

此課程使用Python 以及TensorFlow 來實作作業，並預期學生具備基礎的微積分（梯度下降、鏈鎖律）以及線性代數（矩陣相乘）。

AI For Everyone. Coursera ... 由淺入深的深度學習資源整理本文章節遊玩空間DeepPlaygroundConvNetJSMagentaGoogleAIExperimentsQuickDrawTeachableMachineFastNeuralStyleTensorFlow.jsGANLabTalktoTransformerNVIDIAAIPLAYGROUNDGroverWaifuVendingMachineThisWaifuDoesNotExistAINotesAnomagram線上課程李宏毅教授的機器學習/深度學習課程DeepLearningSpecialization@[email protected]@KaggleLearnElementsofArtificialIntelligenceMITDeepLearningMIT6.S191IntroductiontoDeepLearningAIForEveryoneCS224n:NaturalLanguageProcessingwithDeepLearningCS231n:ConvolutionalNeuralNetworksforVisualRecognitionMakingFriendswithMachineLearning實用工具ColaboratoryTensorBoardEmbeddingProjectorLucidPaperswithCodeWhat-IfToolBertVizMLVisuals其他教材SeedbankDeepLearningwithPythonStanfordCS230CheatsheetspracticalAIAllenNLPDemoHands-onMachineLearning2優質文章經典論文自然語言處理NaturalLanguageProcessing(NLP)電腦視覺ComputerVision(CV)類神經網路架構NeuralNetworkArchitecture資料集Dataset物體偵測與切割ObjectDetectionandSegmentation生成模型GenerativeModels其他整理deep-learning-ocean待辦事項如何貢獻 深度學習 Python Keras TensorFlow 由淺入深的深度學習資源整理 2019-01-08(Tue) 34,520views 不聞不若聞之，聞之不若見之，見之不若知之，知之不若行之，學至於行之而止矣。

──《荀子．儒效》 這段話翻成白話文就是「沒聽過比不上聽過；聽過比不上實際看過；看過則比不上實際了解；而了解又不如動手實踐。

唯有身體力行才能真正地學到東西。

」 這句古老的諺語向我們傳達了「實踐」的重要以及學習的幾個過程。

做為一門學問，深度學習也是同樣道理。

僅說自己對深度學習有興趣或是有關注（聞、見），但卻沒有實際花時間去深入了解或實際應用（知、行）是無法真正學會深度學習的。

雖說如此，不了解深度學習能拿來做什麼的人或許還不少。

我嘗試將自己在學習過程中蒐集到的重要資源由淺入深地做些整理。

希望透過此文，能讓在各個學習階段的你都能從這裡獲得些什麼，並實際動手學習、探索發展快速的深度學習世界。

本文內容會持續被更新，你可以定期回來看看或是關注這個 GithubRepo。

這裡紀錄了我在學習深度學習時蒐集的一些線上資源。

內容由淺入深，而且會不斷更新，希望能幫助你順利地開始學習：） 本文章節 遊玩空間 線上課程 實用工具 其他教材 優質文章 經典論文 其他整理 遊玩空間 這節列舉了一些透過瀏覽器就能馬上開始遊玩/體驗深度學習的應用。

作為這些應用的使用者，你可以先高層次、直觀地了解深度學習能做些什麼。

之後有興趣再進一步了解背後原理。

這小節最適合： 想要快速體會深度學習如何被應用在真實世界的好奇寶寶 想要直觀理解類神經網路（ArtificalNeuralNetwork）運作方式的人 想從別人的深度學習應用取得一些靈感的開發者 DeepPlayground ConvNetJS DeepPlayground 由Tensorflow團隊推出，模擬訓練一個類神經網路的過程並了解其運作原理 可以搭配這篇IntroductiontoNeuralNetworks:PlaygroundExercises學習 ConvNetJS 訓練類神經網路來解決經典的MNIST手寫數字辨識問題、圖片生成以及增強式學習 由Tesla的AI負責人AndrejKarpathy建立 Magenta GoogleAIExperiments Magenta 一個利用機器學習來協助人們進行音樂以及藝術創作的開源專案 可以在網站上的Demo頁面嘗試各種由深度學習驅動的音樂/繪畫應用（如彈奏鋼琴、擊鼓） GoogleAIExperiments 這邊展示了接近40個利用圖片、語言以及音樂來與使用者產生互動的機器學習Apps，值得慢慢探索 知名例子有QuickDraw以及TeachableMachine，將在下方介紹 QuickDraw TeachableMachine QuickDraw 由Google推出的知名手寫塗鴉辨識，使用的神經網路架構有常見的卷積神經網路CNN以及循環神經網路RNN 該深度學習模型會不斷將最新的筆觸當作輸入來預測使用者想畫的物件。

你會驚嘆於她精準且即時的判斷 TeachableMachine 利用電腦/手機上的相機來訓練能將影像對應到其他圖片、音訊的神經網路，饒富趣味 透過這例子，你將暸解機器學習的神奇之處以及其侷限所在 FastNeuralStyle TensorFlow.js FastNeuralStyle 展示如何使用WebGL在瀏覽器快速地進行神經風格轉換NeuralStyleTransfer 你可以選擇任何一張圖片，並在此網站上將其畫風轉變成指定的藝術照 Deepart.io也提供類似服務 TensorFlow.js TensorFlow.js頁面有多個利用JavaScript實現的深度學習應用，如上圖中的人類姿勢估計HumanPoseEstimation。

你可以在該應用裡頭打開自己的攝影機，看該應用能不能偵測到你與朋友的姿勢。

GANLab TalktoTransformer GANLab 對抗生成網路（GenerativeAdversarialNetwork，簡稱GAN）是非監督式學習的一種方法，通過讓兩個神經網路相互博弈的方式進行學習。

此網站以TensorFlow.js實作GAN中兩個神經網路的學習過程，幫助有興趣的你更直觀地理解神奇的GAN的運作方式 TalktoTransformer 展示了一個由OpenAI推出，名為GPT-2的無監督式語言模型。

該模型以Google發表的神經網路架構Transformer為基底，在給定一段魔戒或是復仇者聯盟的文字內容，該模型可以自己生成唯妙唯俏的延伸劇情。

你也可以嘗試AllenAIGPT-2Explorer來觀察GPT-2預測下個字的機率。

想要深入了解Transformer或GPT-2，推薦閱讀： 淺談神經機器翻譯&用Transformer與TensorFlow2英翻中 直觀理解GPT-2語言模型並生成金庸武俠小說 TheIllustratedGPT-2(VisualizingTransformerLanguageModels) NVIDIAAIPLAYGROUND Grover NVIDIAAIPLAYGROUND 提供GauGAN的線上展示，讓你可以利用簡單的筆觸來生成真實世界的風景圖片，也能上傳自己的圖片做風格轉換 提供ImageImpainting服務，讓使用者自由抹去部分圖片並讓AI自動生成被抹去的區塊 Grover 一個偵測/生成神經假新聞（NeuralFakeNews）的研究，其網頁展示如何自動生成假新聞。

WaifuVendingMachine ThisWaifuDoesNotExist WaifuVendingMachine Waifu來自日文ワイフ，指的是一些非常受到歡迎、且被不少玩家/觀眾視為妻子的動漫女性角色。

SizigiStudios團隊利用GAN隨機初始16名虛擬動漫角色，讓使用者可以進一步依照喜愛來創造專屬於自己的Waifu。

WaifuVendingMachine產生的Waifu品質很高，使用者可以下載並分享自己創造的Waifu，也可以選擇購買印製該Waifu的海報與抱枕。

ThisWaifuDoesNotExist 以Nvidia的StyleGAN隨機生成的Waifu（右圖左側）。

作者Gwern同時也使用開源的小型GPT-2隨機生成一段動漫劇情（右圖右側）。

自釋出後已超越一百萬使用者拜訪該網站。

你也可以用大螢幕查看作者的另個相關網站：TheseWaifusDoNotExist，用全畫面一次「觀賞」數十名隨機生成的Waifus。

AINotes Anomagram AINotes AINotes是吳恩達的DeepLearning專項課程的輔助教材，使用數學證明以及由TensorFlow.js建立的線上demo讓你可以直觀地學習如何初始化神經網路權重及如何最佳化模型權重 縮圖為Parameteroptimizationinneuralnetworks單元中使用不同Optimiziers訓練模型的線上demo Anomagram Anomagram是一個以Tensorflow.js實作，可以建立、訓練並測試能夠用來做異常檢測的Autoencoder。

線上課程 看完遊玩空間的大量實際應用，相信你已經迫不及待地想要開始學習強大的深度學習技術了。

這節列舉了一些有用的線上課程以及學習教材，幫助你掌握深度學習的基本知識（沒有特別註明的話皆為免費存取）。

另外值得一提的是，大部分課程都要求一定程度的Python程式能力。

李宏毅教授的機器學習/深度學習課程 DeepLearningSpecialization@Coursera 李宏毅教授的機器學習/深度學習課程 大概是全世界最好、最完整的深度學習中文學習資源，且作業皆提供Colab筆記本範例。

影片內容涵蓋基本理論（約10小時觀看時間）一直到進階的生成對抗網路GAN以及強化學習RL。

想學語音辨識或是自然語言處理則可參考教授的用深度學習處理人類語言。

李宏毅机器学习笔记(LeeML-Notes，簡體)則將教授上課的影片內容轉為筆記，方便瀏覽課程內容。

DeepLearningSpecialization@Coursera 原GoogleBrain的吳恩達教授開授的整個深度學習專項課程共分五堂課，從神經網路的基礎到能夠進行機器翻譯、語音辨識的序列模型，每堂課預計1個月完成，收費採訂閱制 程式作業會交互使用Numpy、Keras以及TensorFlow來實作深度學習模型 [email protected] DeepLearning@KaggleLearn [email protected] 7週課程，一週約需安排10小時上課。

該課程由傑里米·霍華德來講解深度學習，其在知名數據建模和數據分析競賽平台Kaggle維持兩年的世界第一 DeepLearning@KaggleLearn 14堂課程，主要使用TensorFlow實作深度學習模型 內容主要專注在電腦視覺（ComputerVision）以及如何應用遷移學習（TransferLearning） ElementsofArtificialIntelligence MITDeepLearning ElementsofArtificialIntelligence 芬蘭最高學府赫爾辛基大學推出的AI課程。

此課程目的在於讓所有人都能了解AI，不需要任何程式經驗。

這堂課非常適合完全沒有接觸過深度學習或是相關領域的人 課程分6個部分，包含「何謂AI？」、「真實世界的AI」、「機器學習」以及「神經網路」等章節 MITDeepLearning 麻省理工學院推出的深度學習課程，內容包含深度學習基礎、深度強化學習以及自動駕駛相關知識。

GithubRepo包含了多個教學筆記本，值得參考。

上圖是DeepTraffic，由MIT的研究科學家LexFridman推出的一個深度強化學習競賽。

此競賽目標是建立一個可以在高速公路上駕駛汽車的神經網路。

你可以在這裡看到線上Demo以及詳細說明。

6.S191:IntroductiontoDeepLearning AIForEveryone MIT6.S191IntroductiontoDeepLearning 麻省理工學院推出的另一堂基礎深度學習課程，介紹深度學習以及其應用。

內容涵蓋機器翻譯、圖像辨識以及更多其他應用。

此課程使用Python以及TensorFlow來實作作業，並預期學生具備基礎的微積分（梯度下降、鏈鎖律）以及線性代數（矩陣相乘）。

AIForEveryone Coursera課程。

吳恩達教授在這堂簡短的課程裡頭，針對非技術人士以及企業經理人說明何謂AI、如何建立AI專案以及闡述AI與社會的關係。

此課程十分適合沒有技術背景的讀者。

從AIForEveryone學到的10個重要AI概念則是我個人上完課後整理的心得分享。

CS224n:NaturalLanguageProcessingwithDeepLearning CS231n:ConvolutionalNeuralNetworksforVisualRecognition CS224n:NaturalLanguageProcessingwithDeepLearning 由史丹佛AI實驗室的ChristopherManning教授從語言學、計算機科學的角度講述自然語言處理的所有必要知識，是想要打好NLP基礎的人不可不學的一堂課。

課程約有20部影片，每部約長1.5小時。

CS231n:ConvolutionalNeuralNetworksforVisualRecognition 由史丹佛VisionLab的李飛飛（Fei-FeiLi）教授等人以圖像分類任務為軸心，講述卷積神經網路以及所有電腦視覺的相關基礎知識。

這是想要學會使用（卷積）神經網路來處理圖像數據的人不可不學的一堂課。

Youtube上有16部2017年的課程錄影，每部約長1小時。

課程中也包含了不少線上展示，如線性分類器的loss視覺化、kNNdemo以及圖像分類的CIFAR-10demo。

MakingFriendswithMachineLearning TobeUpdated MakingFriendswithMachineLearning MFML是一門對Google內部開授的ML/AI訓練課程，由其ChiefDecisionScientistCassieKozyrkov主講。

此課程於2021/11/25對外開放。

此課程提供從構思ML專案到launchAI產品的步驟與大局觀，十分適合剛接觸相關領域的產品經理與企業決策者入門。

實用工具 這節列出一些在你的深度學習路上可以幫得上些忙的工具。

Colaboratory TensorBoard Colaboratory 由Google提供的雲端Jupyter筆記本環境，讓你只要用瀏覽器就能馬上開始訓練深度學習模型。

你甚至還可以使用一個免費的TeslaK80GPU或TPU來加速訓練自己的模型 該計算環境也能與自己的GoogleDrive做連結，讓運算雲端化的同時將筆記本/模型結果都同步到自己的筆電上 TensorBoard TensorBoard是一個視覺化工具，方便我們了解、除錯並最佳化自己訓練的深度學習模型 除了TensorFlow以外，其他基於Python的機器學習框架大多也可以透過tensorboardX來使用TensorBoard EmbeddingProjector Lucid EmbeddingProjector 我們時常需要將圖片、文字轉成高維數字向量Embedding以供神經網路處理，而Projector能將此高維向量投影到2、3維空間上方便我們理解這些數據 Projector網站讓你在線上探索幾個常見的資料集，但事實上你也可以利用Tensorboard來視覺化自己的數據。

Lucid Lucid是一個嘗試讓神經網路變得更容易解釋的開源專案，裡頭包含了很多視覺化神經網路的筆記本 你可以直接在Colab上執行這些筆記本並了解如何視覺化神經網路 PaperswithCode What-IfTool PaperswithCode 將機器學習的學術論文、程式碼實作以及SOTA的評價排行榜全部整理匯總在一起的網站，非常適合想要持續追蹤學術及業界最新研究趨勢的人 在這邊可以瀏覽包含電腦視覺、自然語言處理等各大領域在不同任務上表現最好的論文、實作以及資料集 What-IfTool 一個與TensorBoard以及JupyterNotebook整合的探索工具，讓使用者不需寫程式碼就能輕鬆觀察機器學習模型的內部運作以及嘗試各種What-if問題（如果~會怎麼樣？） 基本上就是用來觀察已訓練的模型在測試資料集上的表現。

利用此工具，使用者可以了解（不僅限於）以下的問題：模型在各類別數據上的表現有無差距？模型是否存在偏見？應該如何調整Native/PositiveFalse的比例？ 此工具的一大亮點在於讓非專業領域人士也能探索、理解ML模型表現。

且只要給定模型與資料集,就不需要每次為了What-if問題就寫用過即丟的程式碼 BertViz MLVisuals BertViz BertViz是一個視覺化自注意力機制的工具，可以用來理解如BERT、GPT-2及RoBERTa等知名NLP模型的內部運作 以下則是幾篇透過BertViz來直觀解說BERT與GPT-2的文章 進擊的BERT：NLP界的巨人之力與遷移學習 直觀理解GPT-2語言模型並生成金庸武俠小說 MLVisuals MLVisuals是一個社群開源項目，提供超過100個常見的機器學習概念/深度學習架構圖，可讓任何人在學術論文或是文章直接使用這些圖表。

所有圖表都可以直接從Googleslide上觀看並使用。

建議前往Githubrepo查看最新版本。

其他教材 除了線上課程以外，網路上還有無數的學習資源。

這邊列出一些推薦的深度學習教材，大多數皆以數據科學家常用的Jupyter筆記本的方式呈現。

你可以將感興趣的筆記本導入實用工具裡提到的Colaboratory（Colab），馬上開始學習。

Seedbank DeepLearningwithPython Seedbank 讓你可以一覽Colab上超過100個跟機器學習相關的筆記本，並以此為基礎建立各種深度學習應用 熱門筆記本包含神經機器翻譯、音樂生成以及DeepDream 因為是Google服務，筆記本大多使用TensorFlow與Keras來實現模型 DeepLearningwithPython Keras作者FrançoisChollet在DeepLearningwithPython一書中用到的所有筆記本。

每個筆記本裡頭都清楚地介紹該如何使用Keras來實現各種深度學習模型，十分適合第一次使用Python實現深度學習的讀者 進入NLP世界的最佳橋樑：寫給所有人的自然語言處理與深度學習入門指南一文的Keras程式碼大多基於此 繁體中文的翻譯書籍則為Deeplearning深度學習必讀-Keras大神帶你用Python實作 Keras在TensorFlow2.0中為其最重要的高層次API StanfordCS230Cheatsheets practicalAI StanfordCS230Cheatsheets 史丹佛大學的深度學習課程CS230釋出的深度學習小抄總結了目前最新的卷積神經網路及循環神經網路知識，還包含了訓練深度學習時需要使用到的技巧，十分強大 此小抄最適合已經熟悉基礎知識的同學隨時複習運用。

你也可以從他們的GithubRepo下載包含上述所有內容的超級VIP小抄 除了深度學習以外，你也可以查看CS229機器學習課程的小抄 practicalAI 在Github上超過1萬星的Repo。

除了深度學習，也有介紹Python基礎及Pandas的使用方式 使用PyTorch框架來實現深度學習模型，且所有內容都是Jupyter筆記本，可以讓你在Colab或本地端執行 AllenNLPDemo Hands-onMachineLearning2 AllenNLPDemo 清楚地展示了如機器理解、命名實體識別等多個自然語言處理任務的情境。

每個任務的情境包含了任務所需要的輸入、SOTA模型的預測結果以及模型內部的注意力機制，對理解一個NLP任務的實際應用情境有很大幫助 AllenNLP是一個由AI2以PyTorch實現的自然語言處理函式庫 Hands-onMachineLearning2 前YouTube影片分類PMAurélienGeron教你如何透過Scikit-Learn、Keras以及TensorFlow2來進行機器學習以及深度學習任務與應用的筆記本彙整。

第二版專注在TensorFlow2，其Githubrepo已有超過6千顆星，第一版則有高達2萬星。

優質文章 這邊列舉了一些幫助我釐清重要概念的部落格以及網站，希望能加速你探索這個深度學習世界。

只要Google一下就能發現這些部落格裡頭很多文章都有中文翻譯。

但為了尊重原作者，在這邊都列出原文連結。

Distill 用非常高水準且互動的方式來說明複雜的深度學習概念。

YoshuaBengio、IanGoodfellow及AndrejKarpathy等知名人士皆參與其中 R2D3:圖解機器學習 利用非常直覺易懂的視覺化來說明機器學習，連結為中文版 ChristopherOlah'sblog 詳細解釋不少深度學習概念。

作者在這篇就詳細地解釋了長短期記憶LSTM的概念與變形；在這篇則解釋何為CNN的卷積運算 JayAlammar'sblog 以清楚易懂的視覺化解釋深度學習概念。

這篇用大量易懂的動畫說明神經機器翻譯，而在這篇則介紹如何利用如ELMo、BERT等預先訓練過的強大模型在自然語言處理進行遷移學習 AndrejKarpathy'sblog 現為TeslaAI負責人的AndrejKarpathy在這篇明確說明何謂循環神經網路RNN。

文中提供不少應用實例及視覺化來幫助我們理解RNN模型究竟學到了什麼，是學習RNN的朋友幾乎一定會碰到的一篇文章 經典論文 這邊依發表時間列出深度學習領域的經典/重要論文。

為了幫助你快速掌握論文內容以及歷年的研究趨勢，每篇論文下會有非常簡短的介紹（WIP）。

但我們推薦有興趣的人自行閱讀論文以深入了解。

自然語言處理NaturalLanguageProcessing(NLP) 2003/02ANeuralProbabilisticLanguageModel 2013/01EfficientEstimationofWordRepresentationsinVectorSpace 2013/08GeneratingSequencesWithRecurrentNeuralNetworks 2014/09NeuralMachineTranslationbyJointlyLearningtoAlignandTranslate 2015/08EffectiveApproachestoAttention-basedNeuralMachineTranslation 2015/12Semi-supervisedSequenceLearning 推出一套無監督式的預訓練方法。

使用無標籤數據訓練後的RNN模型在之後的監督式任務表現更好 2017/06AttentionIsAllYouNeed Google推出新的神經網路架構Transformer。

這個基於自注意力機制的架構特別適合語言理解任務 2017/06OneModelToLearnThemAll 2017/08LearnedinTranslation:ContextualizedWordVectors 監督式預訓練。

透過BiLSTM與Encoder-Decoder架構預先訓練機器翻譯任務並將訓練後的Encoder拿來做特徵擷取。

將Encoder的輸出作為語境向量（ContextVectors,CoVe）處理下游任務 2018/01UniversalLanguageModelFine-tuningforTextClassification 2018/02Deepcontextualizedwordrepresentations ELMo詞向量，利用兩獨立訓練的LSTM獲取雙向訊息 2018/06ImprovingLanguageUnderstandingbyGenerativePre-Training OpenAI利用無監督式預訓練以及Transformer架構訓練出來的模型表現在多個NLP任務表現良好。

約使用8億詞彙量的資料集 2018/10BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding Google暴力美學。

利用深層Transformer架構、2個精心設計的預訓練任務以及約33億詞彙量的資料集訓練後，得到表現卓越的語言代表模型，打破11項NLP任務紀錄 2019/05MASS:MaskedSequencetoSequencePre-trainingforLanguageGeneration Microsoft利用Encoder-Decoder架構以及連續遮罩（consecutivemask）將BERT推廣到自然語言生成（NLG）類型任務 2019/05UnifiedLanguageModelPre-trainingforNaturalLanguageUnderstandingandGeneration 預訓練階段利用不同遮罩控制context，同時訓練雙向LM、單向LM以及Seq2SeqLM。

其產生的預訓練模型可以處理NLU以及NLG任務，並在不加入外部數據的情況下打敗BERT在GLUE的紀錄 電腦視覺ComputerVision(CV) 類神經網路架構NeuralNetworkArchitecture 1998/01Gradient-BasedLearningAppliedtoDocumentRecognition(LeNet-5) 2012/12ImageNetClassificationwithDeepConvolutionalNeuralNetworks(AlexNet) 2014/06DeepFace:ClosingtheGaptoHuman-LevelPerformanceinFaceVerification(DeepFace) 2014/09VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition(VGG) 2014/09Gointdeeperwithconvolutions(GoogLeNet) 2014/11FullyConvolutionalNetworksforSemanticSegmentation 2015/05U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation(U-Net) 2015/12DeepResidualLearningforImageRecognition(ResNet) 2017/04MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications(MobileNets) 2017/07ShuffleNet:AnExtremelyEfficientConvolutionalNeuralNetworkforMobileDevices(ShuffleNet) 資料集Dataset 2009/06ImageNet:ALarge-ScaleHierarchicalImageDatabase(ImageNet) 物體偵測與切割ObjectDetectionandSegmentation 2013/11Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation(R-CNN) 2013/12OverFeat:IntegratedRecognition,LocalizationandDetectionusingConvolutionalNetworks(OverFeat) 2015/04FastR-CNN 2015/06FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks(FasterR-CNN) 2015/06YouOnlyLookOnce:Unified,Real-TimeObjectDetection(YOLO) 2015/12SSD:SingleShotMultiBoxDetector(SSD) 2016/12YOLO9000:Better,Faster,Stronger(YOLOv2) 2017/03MaskR-CNN 2018/04YOLOv3:AnIncrementalImprovement(YOLOv3) 生成模型GenerativeModels 2014/06GenerativeAdversarialNetworks(GAN) 2015/13UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks(DCGAN) 2017/01WassersteinGAN(WGAN) 2017/03UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks(CycleGAN) 其他整理 這邊列出其他優質的資源整理網站/GithubRepo，供你繼續探索深度學習。

deep-learning-ocean 整理了不少深度學習資源，但最值得參考的是數據集以及論文的分類整理。

待辦事項 還有不少內容正在整理，以下是目前我們打算增加的一些項目： 深度學習中英術語對照表 值得追蹤的業界/學界影響人物清單 無圖的資源列表版本 一些JupyterNotebook範例 而我們也會持續將新資源加入如實用工具、優質文章等列表裡頭。

如何貢獻 非常歡迎你一起加入改善這個Repo，讓更多人有方向地學習DeepLearning：） 如果你有 其他值得推薦的深度學習資源 針對此Repo內容的改善建議 其他任何你想得到的東西 都歡迎你提出新的Issue來讓我們知道。

如果是想增加新資源的話，只附上連結也是沒有問題的，謝謝！ 最後，如果你覺得本文實用，還請幫我分享此文並給GithubRepo一個小星星。

這樣可以讓更多人注意到這些寶貴資源的存在並開始有方向的學習，謝謝！ 有再多資源，沒有親自動手做都是無法真正地學到東西的。

因此，最後的最後讓我再次強調主動學習的重要： 告訴我資訊，我只會忘記；教導我知識，我會記得；讓我實際參與，我將能真正地學到東西。

──班傑明·富蘭克林 所以，現在就開始學習吧！ PostTags 深度學習 Python Keras TensorFlow GetLatestArrivals 訂閱最新文章 跟資料科學相關的最新文章直接送到家。

只要加入訂閱名單，當新文章出爐時， 你將能馬上收到通知   Subscribe    PreviousPost 我從AIForEveryone學到的10個重要AI概念 NextPost 進入NLP世界的最佳橋樑：寫給所有人的自然語言處理與深度學習入門指南 ViewAllPost