学习使我快乐

2021-07-12 |本文 2250 字| 需要时间: 7 分钟| <--阅读量: -->

一、面试/刷题
二、标记语言
三、语言
四、论文
五、大杂烩
六、好用的python包
七、深度学习
八、实战/比赛

一、面试/刷题

leetcode
- 国内官网
- 国外官网
labuladong 刷题技巧 #一个维护很好的刷题博客
- gitee依赖
- github依赖
牛客
- 官网 #面经/刷题/工作

二、标记语言

markdown
OverLeaf
- Overleaf官网 #在线LaTeX编辑器，可写简历

三、语言

python
- 官网
- pip镜像源 #方便下载python包
C++
- 官网
- 菜鸟教程C++
- 现代C++教程 #具备一定C++基础了
- C语言中文网
JAVA
- 官网
在线工具
- 菜鸟
  - C++
  - Python
  - Java
  - Bash
- Wandbox
设计模式
- c语言中文网

四、论文

Arxiv
- Arxiv 机器学习最新论文检索主页地址
- Andrej Karpathy 开发了 Arxiv Sanity Preserver，帮助分类、搜索和过滤特征
Papers with Code
- 这个网站叫做 Browse state-of-the-art。它将 ArXiv 上的最新深度学习论文与 GitHub 上的开源代码联系起来。该项目目前包含了 651 个排行榜，1016 个深度学习任务，795 个数据集，以及重磅的 10257 个含复现代码的优秀论文。简直就是一个寻找论文和代码的利器。它将 1016 个深度学习任务分成了 16 大类，涉及了深度学习的各个方面。
- 主页地址
Papers with Code(Sorted by stars)
- 这份资源收集了 AI 领域从 2013 - 2018 年所有的论文，并按照在 GitHub 上的标星数量进行排序。
- GitHub 项目地址
Deep Learning Papers 阅读路线
- 如果你是深度学习领域的新手，你可能会遇到的第一个问题是“我应该从哪篇论文开始阅读？”下面是一个深入学习论文的阅读路线图！
- GitHub 项目地址
Deep Learning Object Detection
- 目标检测（Object Detection）是深度学习 CV 领域的一个核心研究领域和重要分支。纵观 2013 年到 2019 年，从最早的 R-CNN、Fast R-CNN 到后来的 YOLO v2、YOLO v3 再到今年的 M2Det，新模型层出不穷，性能也越来越好！(今年是2019年，timeflies)
- github
snailtyan整理 #网友整理

五、大杂烩

菜鸟
- 官网主页
机器学习算法, 个人博客

六、好用的python包

科学画图
- scikit-plot
  - Docs
  - leetcode
- matplotlib
  - Docs
Numpy
Scikit-Learn
- 官网
- 中文文档

七、深度学习

入门教程
- 本人很喜欢的@hanbingtao的教程 备份作业部落的图貌似没了
框架
- TensorFlow
  - 中文官网
  - 官方文档翻译整理 #w3cshool整理
- pytorch
  - 官网
  - python API
- MxNet
  - 官网
  - #更节省显存，可训练更大的模型
- caffe
  - Tour
网络模型结构可视化工具
- Netscope #通过.prototxt看
- Netron #支持linux，windows，mac 支持ONNX，TensorFlow，Tensorflow-lite，Keras，Caffe，TorchScript，Core ML, Darknet
  - ONNX: squeezenet [看图]
    - Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。
  - TensorFlow Lite: hair_segmentation [看图]
    - TensorFlow Lite 是一组工具，可帮助开发者在移动设备、嵌入式设备和 IoT 设备上运行 TensorFlow 模型。它支持设备端机器学习推断，延迟较低，并且二进制文件很小。
  - TensorFlow: chessbot [看图]
  - Keras: mobilenet [看图]
    - Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
  - Caffe: mobilenet_v2 [看图]
  - TorchScript: traced_online_pred_layer [看图]
    - TorchScript 是一种从PyTorch代码创建可序列化和可优化模型的方法。任何TorchScript程序都可以从Python进程中保存，并加载到没有Python依赖的进程中。
  - Core ML: exermote [看图]
    - CoreML 是iOS 11新推出的机器学习框架，是人工智能的核心内容，他可以在训练好的机器学习模型应用到APP中
  - Darknet: yolo [看图]
    - YOLO作者自己写的一个深度学习框架叫 darknet
《动手学深度学习》
- MxNet：《动手学深度学习》
- Pytorch：《动手学深度学习》