一、项目简介
本项目是飞桨官方出品的一站式深度学习在线百科，当前内容涵盖：
从理论到实践，从科研到产业应用，各类学习材料一应俱全，旨在帮助开发者高效地学习和掌握深度学习知识，快速成为AI跨界人才。
- 内容全面：无论您是深度学习初学者，还是资深用户，都可以在本项目中快速获取到需要的学习材料。
- 形式丰富：材料形式多样，包括可在线运行的notebook、视频、书籍、B站直播等，满足您随时随地学习的需求。
- 实时更新：本项目中涉及到的代码均匹配Paddle最新发布版本，开发者可以实时学习最新的深度学习任务实现方案。
- 前沿分享：定期分享顶会最新论文解读和代码复现，开发者可以实时掌握最新的深度学习算法。
如果本项目对您有帮助，欢迎点击网页右上方进行star❤️
👨🏫 我是高校用户
| 我希望： | 我可以学习： |
|---|---|
| 入门深度学习 | 零基础实践深度学习 |
| 进阶深度学习 | 产业实践深度学习、深度学习百问 |
| 趣味深度学习 | 特色课程 |
👷♂️ 我是企业用户
| 我希望： | 我可以学习： |
|---|---|
| 入门深度学习 | 零基础实践深度学习 |
| 进阶深度学习 | 产业实践深度学习、特色课程 |
| 实践深度学习 | 产业实践案例 |
二、项目内容
👉 课程类
零基础实践深度学习
-
AI Studio在线课程：《零基础实践深度学习》：理论和代码结合、实践与平台结合，包含20小时视频课程，由百度杰出架构师、飞桨产品负责人和资深研发人员共同打造。
-
《零基础实践深度学习》书籍：本课程配套书籍，由清华出版社2020年底发行，京东/当当等电商均有销售。
特色课 - Transformer系列
| 章节名称 | notebook链接 | Python实现 | 课程简介 |
|---|---|---|---|
| 经典的预训练语言模型 | notebook链接 | Python实现 | 本章节将为大家详细介绍NLP领域 Transformer。Transformer的前世今生，包括ELMo，GPT，Transformer，BERT等经典模型，还会介绍Transformer在机器翻译里面的应用。 |
| 经典的预训练语言模型 | notebook链接 | Python实现 | 本章节将为大家详细介绍NLP领域 Transformer。Transformer的前世今生，包括ELMo，GPT，Transformer，BERT等经典模型，还会介绍Transformer在机器翻译里面的应用。 |
| 预训练模型在自然语言理解方面的改进 | notebook链接 | Python实现 | ERNIE， RoBERTa， KBERT，清华ERNIE等，在广度上去分析经典预训练模型的一些改进。 |
| 预训练模型在长序列建模方面的改进 | notebook链接 | Python实现 | Transformer-xl， xlnet， longformer等，分析BERT和transformer的长度局限，并讨论这些方法的改进点。 |
| BERT蒸馏 | notebook链接 | Python实现 | 本章节为大家详细介绍了针对BERT模型的蒸馏算法，包括：Patient-KD、DistilBERT、TinyBERT、DynaBERT等模型，同时以代码的形式为大家展现了如何使用DynaBERT的训练策略对TinyBERT进行蒸馏。 |
| 预训练模型的瘦身策略 – – 高效结构 | notebook链接 | Python实现 | 本章节将为大家详细介绍NLP领域，基于Transformer模型的瘦身技巧。包括 Electra，AlBERT 以及 performer。还会介绍代码实现案例：基于Electra的语音识别后处理中文标点符号预测 |
| transformer在图像分类中的应用(上) | notebook链接 | Python实现 | 本章节将为大家详细介绍 Transformer 在 CV 领域中的两个经典算法：ViT 以及 DeiT。带领大家一起学习Transformer 结构在图像分类领域的具体应用。 |
| transformer在图像分类中的应用（下） | notebook链接 | Python实现 | 本章节将为大家详细介绍 Transformer 在 CV 领域中的经典算法：Swin Transformer。带领大家一起学习Transformer 结构在图像分类领域的具体应用。 |
返回
👉 书籍类
《动手学深度学习》paddle版
本项目将《动手学深度学习》原书中MXNet代码实现改为PaddlePaddle实现。原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者，GitHub地址：https://github.com/d2l-ai/d2l-zh。
本项目面向对深度学习感兴趣，尤其是想使用PaddlePaddle进行深度学习的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。
👉 宝典类
深度学习百问
深度学习百问内容包含深度学习基础篇、深度学习进阶篇、深度学习应用篇、强化学习篇以及面试宝典，详细信息请参阅Paddle知识点文档平台。
-
深度学习基础篇
-
深度学习进阶篇
-
深度学习应用篇
-
产业实践篇
-
强化学习篇
-
面试宝典
- 深度学习基础常见面试题
- 卷积模型常见面试题
- 预训练模型常见面试题
- 对抗神经网络常见面试题
- 计算机视觉常见面试题
- 自然语言处理常见面试题
- 推荐系统常见面试题
返回
👉 案例类
飞桨产业实践案例
| 领域 | 产业案例 | 来源 | 更多内容 |
|---|---|---|---|
| 智能工业 | 厂区传统仪表统计监测 | 飞桨官方 | 更多飞桨案例 |
| 智能工业 | 新能源汽车锂电池隔膜质检 | 飞桨官方 | 更多飞桨案例 |
| 智能工业 | 天池铝材表面缺陷检测 | 飞桨官方 | 更多飞桨案例 |
| 智能工业 | 安全帽检测 | 飞桨官方 | 更多飞桨案例 |
| 智慧城市 | 高尔夫球场遥感监测 | 飞桨官方 | 更多飞桨案例 |
| 智慧城市 | 积雪语义分割 | 飞桨官方 | 更多飞桨案例 |
| 智慧城市 | 戴口罩的人脸识别 | 飞桨官方 | 更多飞桨案例 |
| 智慧交通 | 车道线分割和红绿灯安全检测 | 飞桨官方 | 更多飞桨案例 |
| 智慧农林 | 耕地地块识别 | 飞桨官方 | 更多飞桨案例 |
| 智慧农林 | AI识虫 | 飞桨官方 | 更多飞桨案例 |
| 智慧医疗 | 医学常见中草药分类 | 飞桨官方 | 更多飞桨案例 |
| 智慧医疗 | 眼疾识别 | 飞桨官方 | 更多飞桨案例 |
| 其他 | 人摔倒检测 | 开发者Niki_173 | 该开发者更多案例 |
| 其他 | 足球比赛动作定位 | 飞桨官方 | ---------- |
| 其他 | 基于强化学习的飞行器仿真 | 外部开发者 | ---------- |
| 其他 | 基于ERNIE-Gram实现语义匹配 | 外部开发者 | ---------- |
| 其他 | 基于PaddleDetection的PCB瑕疵检测 | 外部开发者 | ---------- |
| 其他 | 中文语音识别 | 外部开发者 | ---------- |
| 其他 | 基于PP-YOLOV2的吸烟检测 | 外部开发者 | ---------- |
| 返回 |
👉 汇总
飞桨各产品学习资料汇总
| 产品 | 视频课程 | 学习文档 |
|---|---|---|
| PaddleGAN | 生成对抗网络七日打卡营 | |
| PaddleOCR | OCR自动标注小工具讲解、3.5M超轻量实用OCR模型解读、OCR应用与部署实战 | |
| PaddleClas | PaddleClas系列直播课 | |
| PaddleDetection | 目标检测7日打卡营 | |
| PaddleX | PaddleX实例分割任务详解、PaddleX目标检测任务详解、PaddleX语义分割任务详解、PaddleX图像分类任务详解、PaddleX客户端操作指南、飞桨全流程开发工具PaddleX | |
| PaddleHub | 手把手教你转换PaddleHub模型教程 | |
| VDL | 可视化分析工具助力AI算法快速开发、深度学习算法可视化调优实战演示 | |
| 高层API | 高层API助你快速上手深度学习 | |
| PaddleNLP | 基于深度学习的自然语言处理 |
返回
三、技术交流
非常感谢您使用本项目。您在使用过程中有任何建议或意见，可以在 Issue 上反馈给我们，也可以通过扫描下方的二维码联系我们，飞桨的开发人员非常高兴能够帮助到您，并与您进行更深入的交流和技术探讨。
四、许可证书
本项目的发布受Apache 2.0 license许可认证。
五、贡献内容
本项目的不断成熟离不开各位开发者的贡献，如果您对深度学习知识分享感兴趣，非常欢迎您能贡献给我们，让更多的开发者受益。
本项目欢迎任何贡献和建议，大多数贡献都需要你同意参与者许可协议（CLA）来声明你有权并实际上授权我们可以使用你的贡献。
代码贡献规范
pip install pre-commit
pre-commit install
添加修改的代码后，对修改的文件进行代码规范，pre-commit 会自动调整代码格式，执行一次即可，后续commit不需要再执行。提交pr流程，详见：awesome-DeepLearning 提交 pull request 流程。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent