CV和NLP中常見的深度學習算法和其應用

這幾天大概就是把常見的算法跟應用跑一遍 Demo

目錄：
0.深度學習基礎中的基礎:人工神經網路
1.卷積神經網絡（CNN）：主要用於圖像識別、圖像分類等視覺任務。
2.ResNet（殘差網絡）：用於解決深層網絡中的梯度消失和梯度爆炸問題。
3.遞歸神經網絡（RNN）：常用於自然語言處理和時序數據分析。
4.長短時記憶網絡（LSTM）：一種特殊的RNN，解決了長期依賴問題，適用於語音識別和機器翻譯。
5.Transformer：主要用於自然語言處理任務，如機器翻譯和文本生成。
6.GPT (Generative Pre-trained Transformer)
7.BERT（Bidirectional Encoder Representations from Transformers）：用於自然語言處理，特別是文本理解和語義分析。
8.生成對抗網絡（GAN）：用於生成數據，如圖像、音頻等。
9.自編碼器（Autoencoders）：用於數據壓縮和降維。

0.深度學習基礎中的基礎:人工神經網路

1.可以先參考這個：維基百科的介紹
2.感知器(Perceptron)：裡面的一種常見算法(基本結構)：感知器：維基百科的介紹
3.多層感知器(MLP):感知器延伸出出的一種常見算法(基本結構)：多層感知器：維基百科的介紹
4.這邊是MLP在kaggle上的一個簡單應用:Simple deep MLP with Keras
5.這個是稍微進階一點的應用:Simple Pytorch Tensorflow MLP

由於這個算蠻基本的並且其實目前pytorch跟tenssorflow的網路基本每層都可以調用封裝好的設計，除非你自己有要發論文要自己設計出全新的網路，要不然大多是基於目前現有網路的權重修改以及每層之間要如何連接，明天開始的每一個算法應用都會是我自己的版本，可能會比較簡陋點，不過不會像今天這樣偷懶就是了。