乾明发自凹非寺

量子位出品 | 公众号 QbitAI

最近，GitHub上出现一份深度学习资源，涵盖深度学习的各个方面，包括论文、数据集、课程、图书、博客、教程、框架等。

资源的贡献者说，与其他同类资源相比，这份资源更有针对性。

如果有人知道自己在找哪方面的深度学习资源，在这份资源里，可以很容易找到最相关的资源。

即使有人不知道要找什么样的资源，来到这里，也会找到最通用的资源。

这是因为他们对深度学习各方面的资源进行了细致的分类。

比如论文版块，不仅仅只是细化到各个笼统的类别，还会依据用途对论文进行分类，比如用于句子分类的卷积神经网络等等。

目前，这份资源已经发布多天，在GitHub上已经获得1250多星。

资源里都有什么？

整体来说，这份资源可以理解为是深度学习领域的hao123，一共将深度学习各方面的资源分成了7大类。具体是：

论文

论文资源版块，一共分成3个类别，分别是模型、核心和应用。

在每个类别之下，又进行了两次细化分类。以模型分类为例：

在模型分类中，细化到卷积网络、循环网络、自编码器、生成模型和概率模型。在每个模型下面会根据模型的用途进行分类，来给出相关的论文。

比如卷积网络，提供了关于图像分类、句子分类、视频分类、人脸识别等方面应用论文，并附上论文的链接，部分论文有相应的实现代码，还对论文进行了星级评价。

数据集

数据集版块，也是3个类别，分别是图片数据集、文本与自然语言处理数据集和语音技术数据集。

每个方向，也会再进一步分类，并在给出资源链接的同时，附以相应数据集的特点与用途。以图片数据集为例：

图片数据集一共被分成了4类：通用、面部识别、物体识别、行为识别。

人脸识别类别中，一共有8个数据集，分别是FERET、CMU的PIE、YouTube Faces DB、Grammatical Facial Expressions、FaceScrub、IMDB-WIKI和FDDB。都给出了介绍与数据集下载链接。

课程、图书、博客与教程

相比论文与数据集资源，课程、图书等方面的资源相对就少了很多。但在深度学习领域有价值的资源都被囊括在内。

课程

覆盖了斯坦福、CMU、谷歌、英伟达、Fast.ai等业内知名高校、企业或机构提供的课程。

图书

一共四本，分别是《深度学习》、《神经网络和深度学习》、《Python深度学习》和《Scikit-Learn与TensorFlow机器学习实用指南》，其中第一本和第四本有中文版。涵盖了深度学习的原理介绍，实现方式等。

博客

深度学习领域的喜欢写博客的大牛，基本上都列入在内。

教程

包括深度学习的教程以及将深度学习应用到NLP领域的教程等。

框架资源

框架方面，一共有10个。分别是Tensorflow、Pytorch、CNTK、MatConvNet、Keras、Caffe、Theano、CuDNN、Torch、Deeplearning4j。

每个框架都给出了指向框架官方网站的链接，只有Torch给出的是GitHub链接。

谁贡献的这份资源

这份资源的贡献者是一个致力于开源的组织Open Source for Science，其中的成员有两位小哥和一位小姐姐。

他们都与弗吉尼亚理工大学有关。两位小哥是Amirsina Torfi和Ali T Z Kasgari，弗吉尼亚理工大学的博士生；小姐姐名叫Negin Forouzesh，弗吉尼亚理工大学的博士生候选人。

https://github.com/osforscience/deep-learning-ocean#what-s-the-point-of-this-open-source-project