#深度学习

该指南全面涵盖深度学习领域的求职面试知识，包括数学、机器学习、深度学习、强化学习、计算机视觉、图像处理、自然语言处理、SLAM、推荐算法、数据结构与算法、编程语言（C/C++/Python）、深度学习框架等，旨在帮助求职者高效准备面试。

Paddle Lite 是为移动端、嵌入式和边缘设备设计的高性能深度学习推理框架。支持多种硬件平台和操作系统，提供丰富的优化工具和多语言 API，便于快速部署和执行推理任务。通过量化和子图融合等策略，Paddle Lite 实现了轻量化和高性能，并已广泛应用于百度和其他企业。用户可以通过简单步骤完成模型优化和部署，并快速上手示例。

本项目汇总了斯坦福CS 230深度学习课程的关键概念和实用技巧，包括卷积神经网络、递归神经网络及模型训练的提示。所有内容通过备忘单形式呈现，支持多语言版本，便于随时查阅。

本项目基于FAN的先进深度学习方法，提供高精度的2D和3D人脸标志检测。支持多种面部检测器，并可在CPU和GPU上运行。用户可通过pip或conda安装，并能处理整目录图像。适用于Python 3.5+，推荐使用CUDA GPU以获得最佳性能。欢迎贡献和反馈，详情请参阅原始论文及项目页面。

Chainer是一个Python深度学习框架，提供基于define-by-run方法的自动微分API（动态计算图）和面向对象的高级API，用于构建和训练神经网络。通过CuPy支持CUDA/cuDNN，实现高性能训练和推理。尽管Chainer已进入维护阶段，仅进行bug修复和维护，但其文档、教程和社区资源仍然活跃，适合研究和开发深度学习模型的用户。

LayoutParser提供多种深度学习模型和统一API，简化文档图像分析任务。支持布局检测、OCR、数据可视化等功能，并允许共享模型和分析流程。安装简便，可根据需求选择依赖项，是文档图像处理的理想工具。

本项目提供全面易懂的TensorFlow教程，每个教程均附源代码和详细文档，帮助开发者和研究者快速高效地掌握TensorFlow。内容涵盖基础操作、机器学习、神经网络等多个领域，并提供虚拟环境安装指南，避免包冲突并支持环境定制。

DeepCTR是一个简易、模块化、可扩展的深度学习CTR模型库，提供tf.keras.Model和TensorFlow Estimator接口，适用于快速实验和大规模数据分布式训练。兼容TensorFlow 1.x和2.x，支持多种复杂模型的构建和预测。

本教程详细介绍了TensorFlow 2.0的安装与基础操作，并包含线性回归、MNIST、CIFAR10等多个实战案例。通过配套的视频资源，帮助数据科学家和AI研究人员掌握TensorFlow 2.0在深度学习中的实际应用。

Deepo是一个开源框架，用于轻松组装深度学习研究的Docker镜像。通过提供多种标准组件和定制化Dockerfile生成器，用户可以简单定义环境并自动解决依赖问题。Deepo支持几乎所有常用的深度学习框架，提供预构建的Docker镜像，支持GPU加速和CPU模式，兼容Linux、Windows和OS X。尽管该项目已停止维护，但仍为快速搭建深度学习环境提供了宝贵的工具和资源。

DeepChem是一个高质量的开源工具链，致力于推动深度学习在药物发现、材料科学、量子化学和生物学中的应用。支持Python 3.7至3.10，兼容TensorFlow、PyTorch、JAX等框架。用户可通过pip或conda安装，或使用Docker镜像。项目包含丰富的教程和实例，适合从新手到专家。社区活跃，提供Discord和讨论论坛，欢迎科学家、开发者和爱好者的参与。

Composer 是 MosaicML 开发的开源深度学习训练库，基于 PyTorch 构建，专为大规模模型的高效训练设计。支持语言模型、扩散模型和卷积神经网络等，简化了并行化配置、数据加载、自动恢复和内存优化。该库帮助用户快速进行深度学习实验和模型训练。

本书帮助读者在20天内系统性地掌握Pytorch，从基础到进阶，涵盖核心概念与实际应用。内容基于Pytorch官方文档，优化了结构和范例，提升了用户友好度。适合有一定基础的学习者，提供每日学习计划和实用代码，并附有资源获取方式。欢迎对Pytorch感兴趣的读者前来学习和讨论，获取全面的深度学习指南。

本项目提供深度学习视频讲解及笔记资源，涵盖Pytorch、李沐、吴恩达等名师课程，并附有详细的数据集和实用工具。适合从事AI算法开发、图像处理及语音识别方向的求职者，并提供多家知名企业的内推机会，帮助自学者搭建交流平台，实现技术突破和职业发展。

该资源库提供构建NLP系统的示例和最佳实践，重点关注最新的深度学习方法和常见场景，如文本分类、命名实体识别和文本摘要。支持多语言，特别是利用预训练模型应对不同语言任务。内容基于与客户的合作经验，旨在简化开发过程，帮助数据科学家和工程师快速部署AI解决方案。

本项目解析《深度学习》一书，通过数学推导和Python代码实现，涵盖线性代数、概率论、优化算法等基础知识，以及卷积网络、序列建模等深度学习技术。适用于深度学习初学者和从业者，提供详尽的理论和源码实现，帮助掌握深度学习算法。

tiny-dnn是一个为计算资源有限的嵌入式系统和物联网设备设计的C++14深度学习库。该库无需GPU，通过TBB线程和SSE/AVX向量化实现了高效性能，在13分钟内达到了98.8%的MNIST准确率。其便携的头文件形式使其易于集成，支持多种网络层类型、激活函数、损失函数和优化算法。tiny-dnn还能导入Caffe模型，适合学习和构建神经网络应用。

GluonCV是一个面向工程师、研究人员和学生的计算机视觉深度学习工具包，支持快速原型设计。其主要功能包括可复现SOTA结果的训练脚本、对PyTorch和MXNet框架的支持、大量预训练模型，以及简化实现的API设计和社区支持。用户还可以通过AutoGluon执行图像分类和目标检测任务。

PyTorch Forecasting 是一个基于 PyTorch 的时间序列预测包，适用于实际应用和研究。它支持多种神经网络架构及自动日志记录，利用 PyTorch Lightning 实现多 GPU/CPU 的扩展训练，并内置模型解释功能。关键特性包括时间序列数据集类、基本模型类、增强的神经网络架构、多视角时间序列指标和超参数优化。安装简便，支持 pip 和 conda，文档详尽，并包含模型比较和使用案例。

本仓库汇集了各种人工智能课程和资源链接，适合不同学习阶段的用户。涵盖生成式AI、深度学习、自然语言处理等多个主题的免费课程，资源来自麻省理工学院、斯坦福大学、哈佛大学等知名机构。欢迎贡献和建议，共同打造优质的AI学习平台。

SketchCode使用深度学习将手绘网站线框图转换为工作HTML代码。该项目通过图像字幕架构生成HTML标记，实现手绘线框图的前端代码自动生成。目前作为概念验证，其性能依赖于与核心数据集相似的线框图，但展示了自动化前端开发的潜力。了解更多关于依赖安装、预训练模型使用和模型训练的详细信息。

NN-SVG是一款通过参数化方式创建神经网络架构图的工具，支持导出为SVG文件，适用于学术论文和网页。它能生成经典全连接神经网络、卷积神经网络和深度神经网络图形，使用D3和Three.js库，用户可自定义图形大小、颜色和布局。该工具旨在节省机器学习研究人员的时间，并可作为教学工具使用。

neurojs是一个浏览器内的JavaScript深度学习框架，特别专注于强化学习任务。它提供全栈神经网络支持、强化学习扩展以及网络配置的二进制导入和导出功能。用户可以通过2D自驾车等演示直观了解其功能。尽管该项目已停止维护，但仍可作为学习和实验工具，建议使用更通用的框架如TensorFlow-JS。

全面的数学资源集合，覆盖机器学习所需的基础和高级数学概念。包括深度学习、概率论、统计学、线性代数和多元微积分，提供书籍、论文和视频讲座链接，帮助系统学习和复习这些重要知识。

OpenPAI是一个共享AI计算资源的开源平台，支持本地、混合和公共云部署，兼容多种AI框架和硬件。平台通过模块化设计和用户友好的体验，提供从训练到部署的完整解决方案，适合深度学习任务。OpenPAI支持分布式训练、虚拟集群管理，并提供丰富的扩展和定制功能。

本教程详细介绍了从创建自定义数据集到应用传统和深度学习算法的完整机器学习管道。基于哈佛大学高级数据科学课程项目，内容更新为PyTorch版本，适合希望深入理解和实践机器学习的用户。

Muzic项目利用深度学习和人工智能技术，致力于音乐理解与生成的研究。涵盖符号音乐理解、歌词自动转录、歌曲创作、文本到音乐生成等功能，并引入AI代理实现多轨音乐生成。最新成果包括获奖的CLaMP和MuseCoco等工具，为音乐创作提供强有力的支持。

本项目基于《Dive Into Deep Learning》书籍，将MXNet代码转换为PyTorch实现。内容包括安装指南、线性神经网络、多层感知器、卷积神经网络、现代卷积网络、循环神经网络和注意力机制等章节。提供详细教程和示例代码，适合使用PyTorch进行深度学习的开发者。建议克隆仓库或使用nbviewer查看notebook文件。

《Deep Learning with PyTorch》通过实际项目展示深度学习的基础知识，适合希望掌握PyTorch的开发者、计算机科学家、数据科学家及相关专业学生。书中提供了对深度学习的直观理解，并深入探讨PyTorch的部分功能，适合具备编程基础的读者。作者团队拥有丰富的实践经验和开源项目贡献，确保内容实用且前沿。

Torchreid是一个基于PyTorch的深度学习人员重识别库，支持多GPU训练、图像和视频重识别、端到端训练与评估、多数据集训练和跨数据集评估。它易于准备数据集，支持添加模型、数据集和训练方法，提供预训练模型和高级训练技术，并配备可视化工具。

提供最新的PyTorch中文文档与教程，涵盖深度学习和张量优化，支持GPU和CPU。包括2.0版本中文翻译、最新英文教程和文档，以及丰富的学习资源和社区支持，适合希望深入了解和使用PyTorch的中文用户。

提供超过200张涵盖计算机科学、经典机器学习和现代深度学习的复习卡片，帮助准备机器学习工程师面试。这些卡片可帮助回顾和巩固知识，并包含谷歌、特斯拉等公司的面试经验分享。卡片还包括最新的动画问答版本，链接了相关演讲幻灯片和参考资源，适合有一定基础的学习者和希望深入了解的初学者。

TensorFlow Probability 是一个概率推理与统计分析库，作为 TensorFlow 生态系统的一部分，结合了概率方法与深度网络。其功能包括自动微分的梯度推断，以及通过 GPU 和分布式计算实现对大规模数据集和模型的可扩展性。主要组件包括概率分布、可逆变换、联合分布、概率层和多种概率推断算法，如马尔可夫链蒙特卡洛和变分推断。提供详细教程和案例，帮助用户解决实际问题。

Deep Java Library (DJL) 是一个开源、高级、与深度学习引擎无关的Java框架，提供简单易用的深度学习体验。Java开发者无需成为机器学习专家即可使用现有技能构建、训练和部署模型。DJL支持自动选择CPU/GPU并提供最佳性能，用户可以随时在项目中切换引擎。其符合人体工程学的API接口指导用户完成深度学习任务，支持从模型加载到训练和推理的全流程操作，简化深度学习模型的集成。

LaMa 使用傅立叶卷积技术，提供高效的图像修复服务，尤其擅长处理大尺寸遮罩和周期性结构的修复。项目支持多种格式和分辨率，适应各类复杂场景。通过多平台融合，开放源代码和在线体验，LaMa 旨在推动图像处理技术的创新和应用。

🐸TTS库提供多达16种语言的高级文本到语音转换模型，支持低于200毫秒的流媒体延迟。它包含丰富的工具用于模型训练和微调，并且拥有超过1100种预训练模型，适用于多语言和多说话人TTS任务。此外，该库还支持高效的语料库分析和管理，为语音合成提供全面支持。