18個挑戰項目帶你快速入門深度學習
AlphaGo 大戰李世乭之后，深度學習技術便在國內變得異常火。吸引了大批的技術人員爭相學習，那么到底如何才能更快速的入門深度學習呢？
下面給大家介紹的 18 個挑戰項目，通過實踐動手帶你快速入門深度學習！
1.北京市住房價格預測
本挑戰運用線性回歸的相關知識，來預測北京市的住房價格。
該數據集中共包含有 12 列。由于線性回歸需要輸入數值型數據，所以我們選用的特征包括「公交，寫字樓，醫院，商場，地鐵，學校，建造時間，樓層，面積」等 9 項，而「每平米價格」則是預測目標值。
2.梯度下降法實現與應用
梯度下降作為一種最優化方法，可以普遍用于參數問題的優化過程中。為了更好地體會這種方法的優點和了解其使用過程，本次挑戰中將嘗試使用梯度下降解決一些線性回歸問題。
3.手寫字符識別神經網絡
本挑戰結合 scikit-learn 提供的人工神經網絡實現方法，完成手寫字符識別。
4.TensorFlow 加州房價預測
本挑戰嘗試用 TensorFlow 去實現一個線性回歸。你可能會覺得線性回歸非常基礎，不過這里的目的主要是熟悉 TensorFlow 搭建模型的整個流程，以及諸如 Placeholder，Constant 等重要概念。
5.TensorFlow 汽車評估分類
本挑戰使用 TensorFlow 構建一個合理的全連接人工神經網絡，完成汽車安全性評估分類任務。
需要使用 TensorFlow 函數及方法完成網絡的構建，訓練，預測及評估。自行選擇數據處理方式，神經網絡結構，損失函數，優化方法等。數據預處理等非主要代碼允許少量使用其他類庫提供的函數及操作。
6.TensorFlow 時尚物品分類
本挑戰將由你獨立完成一個開放性的分類預測練習，你需要使用 Fashion-MNIST 時尚物品數據集，并通過 TensorFlow Keras 來構建一個合理的 DNN 網絡。
結果輸出：
- Train on 60000 samples, validate on 10000 samples
- Epoch 1/5
- 60000/60000 [==============================] - loss: 0.3098 - acc: 0.8856 - val_loss: 0.3455 - val_acc: 0.8776
- Epoch 2/5
- 60000/60000 [==============================] - loss: 0.2981 - acc: 0.8891 - val_loss: 0.3352 - val_acc: 0.8784
- Epoch 3/5
- 60000/60000 [==============================] - loss: 0.2885 - acc: 0.8914 - val_loss: 0.3346 - val_acc: 0.8741
- Epoch 4/5
- 60000/60000 [==============================] - loss: 0.2802 - acc: 0.8942 - val_loss: 0.3349 - val_acc: 0.8808
- Epoch 5/5
- 60000/60000 [==============================] - loss: 0.2738 - acc: 0.8982 - val_loss: 0.3197 - val_acc: 0.8851
7.PyTorch 實現線性回歸
本次挑戰中，需要你使用 PyTorch 實現再熟悉不過的線性回歸。線性回歸固然簡單，但挑戰的目的在于熟悉對 PyTorch 的使用。
結果輸出：
- Iteration [ 10/100], Loss: 0.791
- Iteration [ 20/100], Loss: 0.784
- Iteration [ 30/100], Loss: 0.778
- Iteration [ 40/100], Loss: 0.772
- Iteration [ 50/100], Loss: 0.767
- Iteration [ 60/100], Loss: 0.762
- Iteration [ 70/100], Loss: 0.757
- Iteration [ 80/100], Loss: 0.753
- Iteration [ 90/100], Loss: 0.749
- Iteration [100/100], Loss: 0.745
8.構建 LeNet5
本次挑戰將使用 TensorFlow Estimator 高階 API 來重構 LeNet-5 并完成訓練。
9.遷移學習完成動物分類
本次挑戰中，我們嘗試使用 TensorFlow Keras 來訓練動物分類遷移學習模型。
10.DCGAN 動漫人物圖像生成
本次挑戰中，你將了解的 GAN 的一種常見的結構 DCGAN，并使用它來搭建一個可以自動生成動漫頭像的神經網絡。
11.卷積自動編碼器圖像去噪
本次挑戰中，需要獨立構建一個包含卷積結構的自動編碼器，完成圖片去噪任務。
12.YOLO 圖像目標檢測應用
YOLO 是區別于 R-CNN 的另一類常用目標檢測方法。本次挑戰中，你需要獨立嘗試利用相關的工具，來使用 YOLO 完成目標檢測應用。
13.LSTM 預測股票價格
股票交易走勢預測是量化交易涉及的工作之一，即通過統計學和機器學習的手段來分析和預測價格走勢情況。一般情況下，我們可以使用時間序列相關的建模方法，但本次挑戰將嘗試使用 LSTM 完成股票預測分析。
14.深度學習完成假新聞分類
深度學習在自然語言處理中有十分重要的應用，本次挑戰需要借助循環神經網絡的知識，提升假新聞文本分類的準確率。
15.BERT 預訓練技術實踐應用
2018 年，自然語言處理領域最大的新聞之一莫過于 Google BERT 的橫空出世。Google BERT 聲稱是最先進的 NLP 預訓練技術，支持中文和更多語言。相關論文中，BERT 展示了包括斯坦福問答數據集（SQUAD v1.1）在內 11 個 NLP 任務的最新結果，均取得了最好的效果。
本次挑戰利用 Google BERT 提供的中文預訓練語言模型，完成假新聞數據文本分類任務。我們建議你對提供的數據進行 8:2 切分，并最終得到測試集上的準確度。
16.仙人掌航拍照片分類識別
Aerial Cactus Identification 是 Kaggle 上一個機器學習入門級比賽，本次挑戰將使用 Auto-Keras 自動化深度學習框架完成該比賽。
17.構建圖像分類推理服務
本次挑戰中，你需要嘗試使用 TensorFlow Keras 提供的預訓練模型構建一個圖像分類實時推理 API 接口。實現一個由 MobileNetV2 預訓練模型構建的圖像分類實時推理 API，并能夠利用其對任意通過 POST 請求傳入的圖片進行推理。
18.云服務識別增值稅發票
本次挑戰中，你需要調用百度云提供的增值稅發票識別接口，完成對增值稅發票圖片識別任務。
