最推荐的五篇深度学习论文
做者开始有两套不一样领域的图像，如马和斑马，并学习两种转换网：一种将马转换为斑马，另外一种则相反。每一种转换都进行一种样式转换，但不是针对单个图像的风格，而是在网络中发现的一组图像的聚合风格。算法
转换网被训练成一对生成对抗网络（Generative Adversarial Network，简称 GAN，是非监督式学习的一种方法，经过让两个神经网络相互博弈的方式进行学习），每一个网络都试图欺骗鉴别者，使其相信「转换后」的图像是真实的。引入了额外的「循环一致性损失」鼓励图像在通过两个转换网络（即向前和向后）以后保持不变。api
论文的视觉效果是惊人的，强烈建议去 GitHub 看看一些其余的例子。我特别感兴趣这篇是由于，与许多之前的方法不一样的是，它学会在不成对图像集之间进行转换，打开可能不存在匹配图像对的应用程序的大门。此外，代码很是易于使用和实验，证实了方法的稳健性和实现的质量。网络
2. 最优雅：WASSERSTEIN DISTANCE，更好的神经网络训练框架
目标：使用更好的目标函数来更稳定地训练 GAN机器学习
这篇论文提出了使用稍微不一样的目标函数训练生成抗性网络，新提出的目标函数比标准 GAN训练要稳定得多，由于它避免了在训练过程当中消失梯度：函数
使用次修改的目的，做者还避免了一个称为模式崩溃的问题，其中标准 GAN 仅从可能输出的一个子集中产生样本。例如，若是一个 GAN 正在训练产生手写的数字4和6，则 GAN 可能只生产4，并不能在训练中规避这个局部最小值。而经过消除在训练目标梯度，即所谓的 Wasserstein GAN 来避免此问题。工具
这篇论文很是独立：做者性能
(1)激发一个简单的想法学习
(2)在数学上显示为何应该改进当前的技术水平ui
(3)有一个使人印象深入的结果展现其有效性。
此外，做者提出的修改在几乎全部流行的深度学习框架中都很容易实现，使得采用所提出的改变是切实可行的。
3.最有用：使用 GANS 进行无监督的模拟训练细化数据
目标：使用真实世界的图像，使模拟训练数据现实应用中更有用
采集真实世界的数据是比较困难和耗时的。所以，许多研究人员常用仿真工具，它们可以产生标记的训练数据的几乎无限量的。然而，大多数模拟数据对于训练在真实数据上操做的深度学习系统是不够逼真的。
为了克服这种局限性，论文使用生成对抗网络（GAN）来使用未标记的真实世界图像来改进标记的模拟图像。 他们训练一个「细化网络」来欺骗辨别分类器，该分类器被训练成能够区分精致的模拟图像和真实图像。 因为细化网络和分类器是一体化训练的，精致的模拟图像开始显得很是逼真：
当这篇论文发布出来时，我当即产生了兴趣，由于它提出了第一个实用的方法来弥合模拟数据与真实数据之间的差距。这里关键的是该算法是无监督的，这意味着用户不须要手写工标注真实数据。对于深度学习应用来讲，数据为王，然而像我这样的大多数学术实验室都没有资源来生成快速处理新的研究领域所需的大量数据：若是公共数据集不存在大家试图解决的这个问题的数据，那么你就停滞在收集和标注相关数据上了。
本文的外延信息是，只要你有一个你正在试图解决的问题的模拟器，你就应该可以生成你所须要的训练数据。
4.最使人印象深入：从零开始的谷歌的围棋 AI
目标：在没有任何人类参与的状况下学习围棋
若是没有谷歌的 DeepMind 在过去这些年的另人印象深入的成就，特别是他的 AlphaGo，2017 年的最佳名单将是不完整的。
最近的 AlphaGo Zero 论文避免了集成人类的知识或游戏玩法：它只经过「自我玩耍」进行训练，这是经过改进的强化学习训练程序来实现的，其中的策略会随着游戏的前向模拟而更新，用于指导搜索的神经网络在游戏过程当中获得改善，使训练速度更快。仅仅在大约 40 个小时的游戏时间以后 AlphaGo Zero 甚至超过了 AlphaGo Lee （ 2016 年击败了李世乭）的表现。
尽管我对这篇论文的兴趣主要集中在工程学层面，但 AlphaGo 采用的混合经典和深度学习方法也让我倍受鼓舞，在这种方法中，蒙特卡洛树搜索的增长使得系统性能优于单片神经网络。 做为研究机器人的人，我被这种组合方法所鼓舞：使用经典算法做为决策的主干，并使用机器学习来提升性能或克服计算限制。这篇论文和 2016 AlphaGo 论文也都很棒， 都写得很好，充满了有趣的技术细节和看法。 若是没有其余缘由，这些文件值得详细阅读。
5.最发人深省：深度图像
目标：了解以前咱们的神经网络模型赋予咱们的实验。
本文的做者不是用一大堆数据训练一个深度神经网络，而是现在至关标准的，本文的做者想探讨如何使用神经网络自己帮助咱们解决一些流行的图像处理任务。他们从一个未经训练的神经网络开始，用做者的话来讲「不是在图像空间中搜索答案，而是在神经网络的参数空间中搜索」，而且避免将大型数据集中的神经网络。
我马上被这个结果迷住了：咱们的神经网络的结构对咱们的数据有什么意义？咱们怎样才能更好地理解这一点？咱们如何利用这种方法来创建更好的网络模型？
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------