近些年来，人工智能领域又活跃起来，除了传统了学术圈外，Google、Microsoft、facebook等工业界优秀企业也纷纷成立相关研究团队，并取得了很多令人瞩目的成果。这要归功于社交网络用户产生的大量数据，这些数据大都是原始数据，需要被进一步分析处理;还要归功于廉价而又强大的计算资源的出现，比如GPGPU的快速发展。除去这些因素，AI尤其是机器学习领域出现的一股新潮流很大程度上推动了这次复兴——深度学习。本文中我将介绍深度学习背后的关键概念及算法，从最简单的元素开始并以此为基础进行下一步构建。如果你不太熟悉相关知识，通常的机器学习过程如下：1、机器学习算法需要输入少量标记好的样本，比如10

常用深度网络模型,深度卷积网络、深度循环网络，生成对抗网络

基于Python的深度网络爬虫的设计与实现（毕业论文）

TensorFlow实现的深度网络表情识别

用于可视化深度卷积网络学习得到的深度卷积特征的可视化，基于python运行和使用！

RCNN、Fast RCNN、Faster RCNN 都是基于深度神经网络的图像目标检测模型。虽然这一系列模型在训练和检测上针对精 度与效率都在不断地优化，但是仍旧没有实现训练测试的端到端，而 且当前的检测速度也还无法针对视频进行目标检测。因此，Girshick 团队又提出了针 对视频进行目标检测的模型 YOLO(You Only Look Once)，该模型的训练和测试上 都是端到端的操作。