交互式神经网络

http://meta-guide.com/software-meta-guide/100-best-github-deep-learning

https://en.wikipedia.org/wiki/Deep_learning

http://redditmetrics.com/r/MachineLearning
http://redditmetrics.com/r/MachineLearning
http://www.dumeiwen.com/it/news/2016/1230/358446_5.html

一个交互可视化的教程，介绍了神经网络的基础——显示简单的神经网络如何做线性回归 ★

1. 前馈神经网络（feedforward neural network）★★

2. 训练神经网络（直到 2.7）★★

3. 反向传播（backpropagation）★★

4. 神经网络的架构 ★★

5. 使用神经网络来识别手写数字 ★

6. 反向传播算法的原理 ★

7. 神经网络以计算任何函数的可视化证明 ★

8. 深度前馈网络 ★★★

   理解为什么从头开始实现反向传播算法很重要 ★★

   计算图（computational graph）中的微积分：反向传播 ★★

   玩转神经网络！★

尝试从头实现单层神经网络，包括训练过程。

只用 Python / NumPy 实现 softmax 分类器以及一个简单的神经网络——用 Jupyter notebook ★

Andrej Karpathy 的神经网络黑客教程讲述了如何在 Java 中实现反向传播。★

在 Python 中从头开始实现一个神经网络 ★

改进神经网络的学习方式

训练神经网络并不容易。有时根本不能学习（欠拟合/ underfitting），而有时能准确地学习你给算法的数据，但是算法学到的「知识」不能泛化到新的、没见过的数据（过拟合/ overfitting）。有许多方法来解决这些问题。

2.8-2.11. 正则化（regularization），初始化参数（parameter initialization）等 ★★

7.5. Dropout 方法 ★★

6（前半章）. 设置数据和损失函数（loss）★★

3. 改进神经网络学习的方式 ★

5. 为什么深度神经网络难以训练？★

7. 深度学习的正规化 ★★★

8. 优化训练的深度模型 ★★★

11. 实用方法 ★★★

MNIST 上的 ConvNetJS Trainer 演示——不同的优化算法性能的可视化 ★

梯度下降优化算法的概述 ★★★

神经网络、流形（Manifold）和拓扑（Topology）★★★

有许多框架提供标准算法，并针对现代硬件的良好性能进行了优化。这些框架中的大多数提供 Python 接口，除了著名的 Torch 是个例外（其需要 Lua）。一旦你知道如何实现基本的学习算法，现在是选择一个建模框架的时候了。

Theano 提供用于构建各种神经网络的低层级原生库（low-level primitives）。它由蒙特利尔大学（University of Montreal）的机器学习团队维护。参见：用 Theano 和 GPU 加速你的神经网络——用 Jupyter notebook ★

TensorFlow 是另一个低层级框架。它的架构类似于 Theano。它由谷歌大脑团队维护。

Torch 是使用 Lua 语言的流行框架。主要的缺点是 Lua 的社区不像 Python 的那么大。Torch 主要由 Facebook 和 Twitter 维护。

还有更高层级的框架，它们运行在这些低层级框架之上：

Lasagna 是一个建立在 Theano 之上的更高级框架。它提供了简单的函数，从而可以用少量代码创建大型网络。

Keras 是一个更高级框架，建立在 Theano 或 TensorFlow 之上。

如果你需要更多关于选择框架的建议，请参见斯坦福大学 CS231n 课程的第 12 讲。★★

卷积神经网络（Convolutional neural networks）

卷积神经网络（「CNN」）是一种特殊的神经网络，它使用了一些妙技来更快、更好地学习。ConvNets 从根本上变革了计算机视觉，并且也被大量应用于语音识别和文本分类任务中。