麻省理工学院的深度学习基础:7种架构和TensorFlow教程

最后编辑于 02月10日 人工智能

Lex Fridman是麻省理工学院的人工智能研究科学家,他在Medium发文总结了深度学习的7种架构(7 architectural paradigms),以及每种架构对应的TensorFlow教程。

这7种架构又分为三类,监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)、强化学习(Reinforcement Learning)。如下图所示:

1、Feed Forward Neural Networks (FFNNs)
前馈神经网络
对应的TensorFlow教程是Deep Learning Basics tutorial的第一部分。

2、Convolutional Neural Networks (CNNs)
卷积神经网络
对应的TensorFlow教程是Deep Learning Basics tutorial的第二部分。

3、Recurrent Neural Networks (RNNs)
循环神经网络
对应的TensorFlow教程是Text Generation with TensorFlow

4、Encoder-Decoder Architectures
编码器-解码器架构
对应的TensorFlow教程是Driving Scene segmentation

5、Autoencoders
自动编码器
对应的TensorFlow教程是TensorFlow Keras tutorial

6、Generative Adversarial Networks (GANs)
生成对抗网络
对应的TensorFlow教程是conditional GANsDCGANs

7、Deep Reinforcement Learning (Deep RL)
深度强化学习
对应的教程tutorial及代码示例code samples

Lex Fridman个人网站:
https://lexfridman.com/

Lex Fridman的Github:
https://github.com/lexfridman/mit-deep-learning

麻省理工学院的课程页面,包括深度学习、深度强化学习、自动驾驶车辆、人工智能:
https://deeplearning.mit.edu/

Lex Fridman在Medium的文章:
MIT Deep Learning Basics: Introduction and Overview with TensorFlow

登录注册后才能评论。