18个挑战项目带你快速入门深度学习

AlphaGo 大战李世h之后，深度学习技术便在国内变得异常火。吸引了大批的技术人员争相学习，那么到底如何才能更快速的入门深度学习呢？

下面给大家介绍的 18 个挑战项目，通过实践动手带你快速入门深度学习！

1.北京市住房价格预测

本挑战运用线性回归的相关知识，来预测北京市的住房价格。

该数据集中共包含有 12 列。由于线性回归需要输入数值型数据，所以我们选用的特征包括「公交，写字楼，医院，商场，地铁，学校，建造时间，楼层，面积」等 9 项，而「每平米价格」则是预测目标值。

2.梯度下降法实现与应用

梯度下降作为一种最优化方法，可以普遍用于参数问题的优化过程中。为了更好地体会这种方法的优点和了解其使用过程，本次挑战中将尝试使用梯度下降解决一些线性回归问题。

3.手写字符识别神经网络

本挑战结合 scikit-learn 提供的人工神经网络实现方法，完成手写字符识别。

4.TensorFlow 加州房价预测

本挑战尝试用 TensorFlow 去实现一个线性回归。你可能会觉得线性回归非常基础，不过这里的目的主要是熟悉 TensorFlow 搭建模型的整个流程，以及诸如 Placeholder，Constant 等重要概念。

5.TensorFlow 汽车评估分类

本挑战使用 TensorFlow 构建一个合理的全连接人工神经网络，完成汽车安全性评估分类任务。

需要使用 TensorFlow 函数及方法完成网络的构建，训练，预测及评估。自行选择数据处理方式，神经网络结构，损失函数，优化方法等。数据预处理等非主要代码允许少量使用其他类库提供的函数及操作。

6.TensorFlow 时尚物品分类

本挑战将由你独立完成一个开放性的分类预测练习，你需要使用 Fashion-MNIST 时尚物品数据集，并通过 TensorFlow Keras 来构建一个合理的 DNN 网络。

结果输出：

1. Train on 60000 samples, validate on 10000 samples 
2. Epoch 1/5 
3. 60000/60000 [==============================] - loss: 0.3098 - acc: 0.8856 - val_loss: 0.3455 - val_acc: 0.8776 
4. Epoch 2/5 
5. 60000/60000 [==============================] - loss: 0.2981 - acc: 0.8891 - val_loss: 0.3352 - val_acc: 0.8784 
6. Epoch 3/5 
7. 60000/60000 [==============================] - loss: 0.2885 - acc: 0.8914 - val_loss: 0.3346 - val_acc: 0.8741 
8. Epoch 4/5 
9. 60000/60000 [==============================] - loss: 0.2802 - acc: 0.8942 - val_loss: 0.3349 - val_acc: 0.8808 
10. Epoch 5/5 
11. 60000/60000 [==============================] - loss: 0.2738 - acc: 0.8982 - val_loss: 0.3197 - val_acc: 0.8851 

7.PyTorch 实现线性回归

本次挑战中，需要你使用 PyTorch 实现再熟悉不过的线性回归。线性回归固然简单，但挑战的目的在于熟悉对 PyTorch 的使用。

结果输出：

1. Iteration [ 10/100], Loss: 0.791 
2. Iteration [ 20/100], Loss: 0.784 
3. Iteration [ 30/100], Loss: 0.778 
4. Iteration [ 40/100], Loss: 0.772 
5. Iteration [ 50/100], Loss: 0.767 
6. Iteration [ 60/100], Loss: 0.762 
7. Iteration [ 70/100], Loss: 0.757 
8. Iteration [ 80/100], Loss: 0.753 
9. Iteration [ 90/100], Loss: 0.749 
10. Iteration [100/100], Loss: 0.745 

8.构建 LeNet5

本次挑战将使用 TensorFlow Estimator 高阶 API 来重构 LeNet-5 并完成训练。

9.迁移学习完成动物分类

本次挑战中，我们尝试使用 TensorFlow Keras 来训练动物分类迁移学习模型。

10.DCGAN 动漫人物图像生成

本次挑战中，你将了解的 GAN 的一种常见的结构 DCGAN，并使用它来搭建一个可以自动生成动漫头像的神经网络。

11.卷积自动编码器图像去噪

本次挑战中，需要独立构建一个包含卷积结构的自动编码器，完成图片去噪任务。

12.YOLO 图像目标检测应用

YOLO 是区别于 R-CNN 的另一类常用目标检测方法。本次挑战中，你需要独立尝试利用相关的工具，来使用 YOLO 完成目标检测应用。

13.LSTM 预测股票价格

股票交易走势预测是量化交易涉及的工作之一，即通过统计学和机器学习的手段来分析和预测价格走势情况。一般情况下，我们可以使用时间序列相关的建模方法，但本次挑战将尝试使用 LSTM 完成股票预测分析。

14.深度学习完成假新闻分类

深度学习在自然语言处理中有十分重要的应用，本次挑战需要借助循环神经网络的知识，提升假新闻文本分类的准确率。

15.BERT 预训练技术实践应用

2018 年，自然语言处理领域最大的新闻之一莫过于 Google BERT 的横空出世。Google BERT 声称是最先进的 NLP 预训练技术，支持中文和更多语言。相关论文中，BERT 展示了包括斯坦福问答数据集（SQUAD v1.1）在内 11 个 NLP 任务的最新结果，均取得了最好的效果。

本次挑战利用 Google BERT 提供的中文预训练语言模型，完成假新闻数据文本分类任务。我们建议你对提供的数据进行 8:2 切分，并最终得到测试集上的准确度。

16.仙人掌航拍照片分类识别

Aerial Cactus Identification 是 Kaggle 上一个机器学习入门级比赛，本次挑战将使用 Auto-Keras 自动化深度学习框架完成该比赛。

17.构建图像分类推理服务

本次挑战中，你需要尝试使用 TensorFlow Keras 提供的预训练模型构建一个图像分类实时推理 API 接口。实现一个由 MobileNetV2 预训练模型构建的图像分类实时推理 API，并能够利用其对任意通过 POST 请求传入的图片进行推理。

18.云服务识别增值税发票