18個挑戰(zhàn)項目帶你快速入門深度學(xué)習(xí)
AlphaGo 大戰(zhàn)李世乭之后，深度學(xué)習(xí)技術(shù)便在國內(nèi)變得異?；稹Ｎ舜笈募夹g(shù)人員爭相學(xué)習(xí)，那么到底如何才能更快速的入門深度學(xué)習(xí)呢？
下面給大家介紹的 18 個挑戰(zhàn)項目，通過實(shí)踐動手帶你快速入門深度學(xué)習(xí)！
1.北京市住房價格預(yù)測
本挑戰(zhàn)運(yùn)用線性回歸的相關(guān)知識，來預(yù)測北京市的住房價格。
該數(shù)據(jù)集中共包含有 12 列。由于線性回歸需要輸入數(shù)值型數(shù)據(jù)，所以我們選用的特征包括「公交，寫字樓，醫(yī)院，商場，地鐵，學(xué)校，建造時間，樓層，面積」等 9 項，而「每平米價格」則是預(yù)測目標(biāo)值。
2.梯度下降法實(shí)現(xiàn)與應(yīng)用
梯度下降作為一種最優(yōu)化方法，可以普遍用于參數(shù)問題的優(yōu)化過程中。為了更好地體會這種方法的優(yōu)點(diǎn)和了解其使用過程，本次挑戰(zhàn)中將嘗試使用梯度下降解決一些線性回歸問題。
3.手寫字符識別神經(jīng)網(wǎng)絡(luò)
本挑戰(zhàn)結(jié)合 scikit-learn 提供的人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法，完成手寫字符識別。
4.TensorFlow 加州房價預(yù)測
本挑戰(zhàn)嘗試用 TensorFlow 去實(shí)現(xiàn)一個線性回歸。你可能會覺得線性回歸非?；A(chǔ)，不過這里的目的主要是熟悉 TensorFlow 搭建模型的整個流程，以及諸如 Placeholder，Constant 等重要概念。
5.TensorFlow 汽車評估分類
本挑戰(zhàn)使用 TensorFlow 構(gòu)建一個合理的全連接人工神經(jīng)網(wǎng)絡(luò)，完成汽車安全性評估分類任務(wù)。
需要使用 TensorFlow 函數(shù)及方法完成網(wǎng)絡(luò)的構(gòu)建，訓(xùn)練，預(yù)測及評估。自行選擇數(shù)據(jù)處理方式，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，損失函數(shù)，優(yōu)化方法等。數(shù)據(jù)預(yù)處理等非主要代碼允許少量使用其他類庫提供的函數(shù)及操作。
6.TensorFlow 時尚物品分類
本挑戰(zhàn)將由你獨(dú)立完成一個開放性的分類預(yù)測練習(xí)，你需要使用 Fashion-MNIST 時尚物品數(shù)據(jù)集，并通過 TensorFlow Keras 來構(gòu)建一個合理的 DNN 網(wǎng)絡(luò)。
結(jié)果輸出：
- Train on 60000 samples, validate on 10000 samples
- Epoch 1/5
- 60000/60000 [==============================] - loss: 0.3098 - acc: 0.8856 - val_loss: 0.3455 - val_acc: 0.8776
- Epoch 2/5
- 60000/60000 [==============================] - loss: 0.2981 - acc: 0.8891 - val_loss: 0.3352 - val_acc: 0.8784
- Epoch 3/5
- 60000/60000 [==============================] - loss: 0.2885 - acc: 0.8914 - val_loss: 0.3346 - val_acc: 0.8741
- Epoch 4/5
- 60000/60000 [==============================] - loss: 0.2802 - acc: 0.8942 - val_loss: 0.3349 - val_acc: 0.8808
- Epoch 5/5
- 60000/60000 [==============================] - loss: 0.2738 - acc: 0.8982 - val_loss: 0.3197 - val_acc: 0.8851
7.PyTorch 實(shí)現(xiàn)線性回歸
本次挑戰(zhàn)中，需要你使用 PyTorch 實(shí)現(xiàn)再熟悉不過的線性回歸。線性回歸固然簡單，但挑戰(zhàn)的目的在于熟悉對 PyTorch 的使用。
結(jié)果輸出：
- Iteration [ 10/100], Loss: 0.791
- Iteration [ 20/100], Loss: 0.784
- Iteration [ 30/100], Loss: 0.778
- Iteration [ 40/100], Loss: 0.772
- Iteration [ 50/100], Loss: 0.767
- Iteration [ 60/100], Loss: 0.762
- Iteration [ 70/100], Loss: 0.757
- Iteration [ 80/100], Loss: 0.753
- Iteration [ 90/100], Loss: 0.749
- Iteration [100/100], Loss: 0.745
8.構(gòu)建 LeNet5
本次挑戰(zhàn)將使用 TensorFlow Estimator 高階 API 來重構(gòu) LeNet-5 并完成訓(xùn)練。
9.遷移學(xué)習(xí)完成動物分類
本次挑戰(zhàn)中，我們嘗試使用 TensorFlow Keras 來訓(xùn)練動物分類遷移學(xué)習(xí)模型。
10.DCGAN 動漫人物圖像生成
本次挑戰(zhàn)中，你將了解的 GAN 的一種常見的結(jié)構(gòu) DCGAN，并使用它來搭建一個可以自動生成動漫頭像的神經(jīng)網(wǎng)絡(luò)。
11.卷積自動編碼器圖像去噪
本次挑戰(zhàn)中，需要獨(dú)立構(gòu)建一個包含卷積結(jié)構(gòu)的自動編碼器，完成圖片去噪任務(wù)。
12.YOLO 圖像目標(biāo)檢測應(yīng)用
YOLO 是區(qū)別于 R-CNN 的另一類常用目標(biāo)檢測方法。本次挑戰(zhàn)中，你需要獨(dú)立嘗試?yán)孟嚓P(guān)的工具，來使用 YOLO 完成目標(biāo)檢測應(yīng)用。
13.LSTM 預(yù)測股票價格
股票交易走勢預(yù)測是量化交易涉及的工作之一，即通過統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)的手段來分析和預(yù)測價格走勢情況。一般情況下，我們可以使用時間序列相關(guān)的建模方法，但本次挑戰(zhàn)將嘗試使用 LSTM 完成股票預(yù)測分析。
14.深度學(xué)習(xí)完成假新聞分類
深度學(xué)習(xí)在自然語言處理中有十分重要的應(yīng)用，本次挑戰(zhàn)需要借助循環(huán)神經(jīng)網(wǎng)絡(luò)的知識，提升假新聞文本分類的準(zhǔn)確率。
15.BERT 預(yù)訓(xùn)練技術(shù)實(shí)踐應(yīng)用
2018 年，自然語言處理領(lǐng)域最大的新聞之一莫過于 Google BERT 的橫空出世。Google BERT 聲稱是最先進(jìn)的 NLP 預(yù)訓(xùn)練技術(shù)，支持中文和更多語言。相關(guān)論文中，BERT 展示了包括斯坦福問答數(shù)據(jù)集（SQUAD v1.1）在內(nèi) 11 個 NLP 任務(wù)的最新結(jié)果，均取得了最好的效果。
本次挑戰(zhàn)利用 Google BERT 提供的中文預(yù)訓(xùn)練語言模型，完成假新聞數(shù)據(jù)文本分類任務(wù)。我們建議你對提供的數(shù)據(jù)進(jìn)行 8:2 切分，并最終得到測試集上的準(zhǔn)確度。
16.仙人掌航拍照片分類識別
Aerial Cactus Identification 是 Kaggle 上一個機(jī)器學(xué)習(xí)入門級比賽，本次挑戰(zhàn)將使用 Auto-Keras 自動化深度學(xué)習(xí)框架完成該比賽。
17.構(gòu)建圖像分類推理服務(wù)
本次挑戰(zhàn)中，你需要嘗試使用 TensorFlow Keras 提供的預(yù)訓(xùn)練模型構(gòu)建一個圖像分類實(shí)時推理 API 接口。實(shí)現(xiàn)一個由 MobileNetV2 預(yù)訓(xùn)練模型構(gòu)建的圖像分類實(shí)時推理 API，并能夠利用其對任意通過 POST 請求傳入的圖片進(jìn)行推理。
18.云服務(wù)識別增值稅發(fā)票
本次挑戰(zhàn)中，你需要調(diào)用百度云提供的增值稅發(fā)票識別接口，完成對增值稅發(fā)票圖片識別任務(wù)。
