非专业的nlp、图像工程师，tensorflow调包工程师，注重快速实现，那么，让我们一起做点有趣的事情吧！ 这个工程的目的是将自己在工程和学术研究中，一些应用到深度学习的思路和方法整理汇总出来：

• 帮助深度学习入门同学快速上手
• 提供一些在现有的机器学习方向上的新的方向和思路的整理
• 解锁思维的禁锢

关于深度学习相关的浅入浅出的介绍，可以快速入门一下浅入浅出深度学习理论实践。

关于深度学习相关的点击预估的介绍，可以快速入门一下yoho注册概率预估。

关于深度学习相关的图像识别的介绍，可以快速入门一下基于SSD下的图像内容识别（一），基于SSD下的图像内容识别（二）。

关于深度学习相关的目标向量化的介绍，可以快速入门一下深度学习下的电商商品推荐。

关于深度学习相关的多层感知机的介绍，可以快速入门一下基于Tensorflow实现多层感知机网络MLPs。

关于深度学习相关的deepfm的介绍，可以快速入门一下基于Tensorflow实现DeepFM。

关于深度学习相关的Deep Neural Networks for YouTube Recommendations的介绍，可以快速入门一下利用DNN做推荐的实现过程总结。

利用GRU，提取用户的行为时序稀疏特征，并产出stack初始层的思路

利用全连接+CNN，提取稀疏特征，并产出stack初始层的思路

网络结构

Google 推荐算法的代码修正，原始代码来源于网络但是不能执行及流程不完整，修复代码demo，现可以直接复制后使用

网络结构

注意

在Linux环境下，tensorflow==1.0.0会有如下的报错，而MacBook环境下，tensorflow=1.0.0就不会报错：

double free or corruption (!prev): 0x0000000001f03dd0 ***

解决方法是更新版本到1.6.0（其他版本我没试），官方之前有人提过issue，大家注意一哈！

利用ssd直接实现物体区域识别

图片版效果：

视频版本地址：

行人识别场景

车辆识别场景

利用样本频率+Huffman树路径最大概率的方法，实现特征向量化的思路

最简单的入门级神经网络算法

入门级别的CTR Prediction的神经网络算法

可能感兴趣的其他相关内容：FM部分||FFM部分

最近在利用来自google的YouTube团队发表在16年9月的RecSys会议的论文Deep Neural Networks for YouTube Recommendations做用户个性化商品推荐，看到不少论文上的理论总结分析，都很精彩，我手动实现了一遍，总结了一些实际工程中的体会，给大家也给自己一个总结交代。

normal_version：按照论文未修改的basemodel

attention_version：在basemodel的基础上，加了attention机制（线性attention/rnn attention）

record_dataformat_version：在basemodel的基础上，利用record机制存储数据，加快训练速度

• python 3.6
• tensorflow 1.0.0
• nltk 3.2.4
• jieba 0.39
• data_preprocessing 0.0.2

鄙人才疏学浅，不免有错误的地方，如果你发现了，麻烦通过以下的方式告知：

• WeChat:sharalion
• Issue
• E-mail:[email protected]
• Message Board in my bolg
• 公众号：ml_trip