# 深度学习经典论文笔记

**Repository Path**: hydrogenion/paper-reading

## Basic Information

- **Project Name**: 深度学习经典论文笔记
- **Description**: 深度学习经典论文及个人笔记，部分内容整理自李沐大神的视频，仓库地址：https://github.com/mli/paper-reading
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2022-03-27
- **Last Updated**: 2023-01-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 深度学习经典论文笔记

## 介绍
深度学习经典论文及个人笔记，部分内容整理自李沐大神的视频，仓库地址：[https://github.com/mli/paper-reading](https://github.com/mli/paper-reading)

b站主页：[https://space.bilibili.com/1567748478/channel/collectiondetail?sid=32744](https://space.bilibili.com/1567748478/channel/collectiondetail?sid=32744)

> 说明：
>
> - 高亮
>   - #ffc000  ![image-20220407204331600](http://cdn.Hydrion-qlz.top/blog/202204072043659.png)： 表示文章中重要的结构或者方法
>   - #ffff00   ![image-20220407204421572](http://cdn.Hydrion-qlz.top/blog/202204072044599.png)：表示第一遍不理解的地方，后续会继续查文献寻找解释
> - 下划线
>   - #ff0000 ![image-20220407204537373](http://cdn.Hydrion-qlz.top/blog/202204072045402.png)：单词或句子的翻译
> - 文字
>   - #00b0f0 ![image-20220407204830641](http://cdn.Hydrion-qlz.top/blog/202204072048662.png)：对于文章的标注
>   - #ff0000  ![image-20220407204537373](http://cdn.Hydrion-qlz.top/blog/202204072045402.png)：现在常用的方法

## 论文列表

### 分类算法

|        已读        |                             名字                             |                     论文笔记                     |                简介                |
| :----------------: | :----------------------------------------------------------: | :----------------------------------------------: | :--------------------------------: |
| :white_check_mark: | [AlexNet](https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf) |      [论文笔记](classification/AlexNet.pdf)      |        深度学习热潮的奠基作        |
| :white_check_mark: |          [VGG](https://arxiv.org/pdf/1409.1556.pdf)          |        [论文笔记](classification/VGG.pdf)        | 使用更小的 3x3 卷积构造更深的网络  |
|                    |       [GoogleNet](https://arxiv.org/pdf/1409.4842.pdf)       |     [论文笔记](classification/GoogleNet.pdf)     |     使用并行架构构造更深的网络     |
|                    |        [ResNet](https://arxiv.org/pdf/1512.03385.pdf)        |      [论文笔记](classification/ResNet.pdf)       |   构建深层网络都要有的残差连接。   |
|                    |      [MobileNet](https://arxiv.org/pdf/1704.04861.pdf)       |     [论文笔记](classification/MobileNet.pdf)     |        适合终端设备的小CNN         |
|                    |     [EfficientNet](https://arxiv.org/pdf/1905.11946.pdf)     |   [论文笔记](classification/EfficientNet.pdf)    |       通过架构搜索得到的CNN        |
|                    |  [Non-deep networks](https://arxiv.org/pdf/2110.07641.pdf)   | [论文笔记](classification/Non-deep networks.pdf) | 让不深的网络也能在ImageNet刷到SOTA |
|                    |                                                              |      [论文笔记](classification/AlexNet.pdf)      |                                    |
|                    |                                                              |      [论文笔记](classification/AlexNet.pdf)      |                                    |

### 目标检测

| 已读 |                             名字                             |                论文笔记                | 简介 |
| :--: | :----------------------------------------------------------: | :------------------------------------: | :--: |
|      | [ What is the best multi-stage architecture for object recognition?](https://www.semanticscholar.org/paper/What-is-the-best-multi-stage-architecture-for-Jarrett-Kavukcuoglu/1f88427d7aa8225e47f946ac41a0667d7b69ac52) | [论文笔记](classification/AlexNet.pdf) |      |
|      |                                                              |                                        |      |
|      |                                                              |                                        |      |
|      |                                                              |                                        |      |
|      |                                                              |                                        |      |
|      |                                                              |                                        |      |
|      |                                                              |                                        |      |

RNN