如何学习深度学习，网上有各种各样的言论，但我比较推崇的是先撸一遍书，不求你都懂，实在不懂的可以暂时略过。这个过程主要是在脑海里形成一个全局概念，这里主要推荐西瓜书，和花书。当然看书对于某些人来说比较困难，也可以辅助的看视频，视频主要推荐吴恩达的机器学习和深度学习，斯坦福的cs231n等。看完之后开始上手写程序或者做项目，在项目或者程序中，在去巩固一些知识点，或者将之前不会的地方仔细研究一下。但是要从头到尾去写一个大的程序或者大的项目，对于初学者是比较困难的。这时比较方便且快捷的方法是我们需要去学习一下别人的代码，在他人代码的基础上进行修改来完成自己的项目。这样可以缩短自己的项目周期，使我们有更多时间去干一些更重要的事情。
如何去搜索别人的代码呢，首选是github，但在你使用关键词搜的时候会出现很多个代码，想要从中找出一个适合自己的，我或者直接上手能用的代码又需要花费很长时间。所以这里，为了节省大家时间，把自己的一些代码分享出来，希望对各位朋友有所帮助。这些代码是经过我的修改，有的也是我自己写的，都是基于keras编写的，且tensorflow的版本小于1，如果是tensorflow2.0则需要修改一些版本问题。下面神经网络的名称，关注“羽峰码字”公众号，回复对应的网络名称，就可以获取相关神经网络代码的百度网盘链接，希望对各位朋友有所帮助。也可以先收藏，之后如果用到，方便查找。今后也会分享其原理以及如何使用这些网络来训练自己的数据集，希望各位朋友多多关注呀。
-
image class
应用于图像分类的网络，图像分类集成以下模型：ResNet18、ResNet34、ResNet50、ResNet101、ResNet152、VGG16、VGG19、InceptionV3、Xception、MobileNet、AlexNet、LeNet、ZF_Net、DenseNet、mnist_net、TSL16等，还包含少量猫狗数据集。若电脑环境配置好，可以直接运行。上手快，内部有完整介绍，可以训练自己的数据集。
-
U-Net
传统U-Net网络，可修改数据地址，直接训练自己的数据集。
-
Res-U-Net
将传统U-Net网络中每个编码器和解码器替换成ResNet网络结构，可修改数据地址，直接训练自己的数据集。
-
Dense-U-net
将传统U-Net网络中每个编码器和解码器替换成DenseNet网络结构，可修改数据地址，直接训练自己的数据集。
-
DCGAN
学习GAN网络的入门基础网络之一，之后的GAN网络大都是借鉴此网络思想。
-
Pix2pix
学习GAN网络的入门基础网络之一，之后的GAN网络大都是借鉴此网络思想。主要做的是图像到图像的转换，Pix2pix网络要求提供image pairs，也即是要求提供x和y，整个思路为：从噪声z，根据条件x，生成和真实图片y相近的y‘。条件x和图像y是具有一定关联性的。
-
CycleGAN
学习GAN网络的入门基础网络之一，之后的GAN网络大都是借鉴此网络思想。主要做的是两个域之间的转换，CycalGAN不要求提供pairs，因为成对的图像数据集其实并不多。这里的x和y不要求有什么较好的关联性，可以是毫不相干的两幅图像。
-
SRGAN
使用GAN网络做超分辨率成像（从其低分辨率（LR）图像估计高分辨率（HR）图像的任务被称为超分辨率（SR））必读的经典之一。
-
YOLOv3
做图像中物体检测，主要优点是速度快但检测精度可能不高，之后还有新版本，yolov4,yolov5，但个人认为yolov3是经典之一，如果想做计算机视觉的话，应该必会的一种网络。
-
Faster RCNN
做图像中物体检测，主要优点是检测精度高，但速度可能不高，计算机视觉的经典网络之一。