今天更新关于常见深度学习模型适合练手的项目。这些项目大部分是我之前整理的，基本上都看过，大概俩特点：代码不长，一般50-200行代码，建议先看懂然后再实现和优化，我看基本上所有的实现都有明显可优化的地方；五脏俱全，虽然代码不长，但是该有的功能都有，该包含的部分也基本都有。所以很适合练手，而且实现后还可保存好，以后很多任务可能就会用到。
本文包括简介、练手项目和我的建议（建议最好看看这部分）。
简介
本篇是深度学习最常见的26个模型汇总的姐妹篇，建议先看那篇再看本篇。本篇新增了26个模型的练手项目。
练手项目
2.1Feedforwardneuralnetworks(FForFFNN)andperceptrons(P)
前馈神经网络和感知机，信息从前（输入）往后（输出）流动，一般用反向传播（BP）来训练。算是一种监督学习。
对应的代码：
2.2Radialbasisfunction(RBF)
径向基函数网络，是一种径向基函数作为激活函数的FFNNs（前馈神经网络）。
2.3Hopfieldnetwork(HN)
Hopfield网络，是一种每个神经元都跟其它神经元相连接的神经网络。
2.4Markovchains(MCordiscretetimeMarkovChain,DTMC)
2.5Boltzmannmachines(BM)
玻尔兹曼机，和Hopfield网络很类似，但是：一些神经元作为输入神经元，剩余的是隐藏层。
2.6RestrictedBoltzmannmachines(RBM)
受限玻尔兹曼机，和玻尔兹曼机以及Hopfield网络都比较类似。
2.7Autoencoders(AE)
自动编码，和FFNN有些类似，它更像是FFNN的另一种用法，而不是本质上完全不同的另一种架构。
2.8Sparseautoencoders(SAE)
稀疏自动编码，跟自动编码在某种程度比较相反。
2.9Variationalautoencoders(VAE)
变分自动编码，和AE架构相似，不同的是：输入样本的一个近似概率分布。这使得它跟BM、RBM更相近。
2.10Denoisingautoencoders(DAE)
去噪自动编码，也是一种自编码机，它不仅需要训练数据，还需要带噪音的训练数据。
对应对应的代码：
2.11Deepbeliefnetworks(DBN）
深度信念网络，由多个受限玻尔兹曼机或变分自动编码堆砌而成。
2.12Convolutionalneuralnetworks(CNNordeepconvolutionalneuralnetworks,DCNN)
卷积神经网络，这个不解释也都知道。
2.13Deconvolutionalnetworks(DN)
去卷积网络，又叫逆图形网络，是一种逆向的卷积神经网络。
2.14Deepconvolutionalinversegraphicsnetworks(DCIGN)
深度卷积逆向图网络，实际上是VAE，且分别用CNN、DNN来作编码和解码。
2.15Generativeadversarialnetworks(GAN)
生成对抗网络，Goodfellow的封神之作，这个模型不用解释也都知道。
2.16Recurrentneuralnetworks(RNN)
2.17Long/shorttermmemory(LSTM)
长短期记忆网络，RNN的变种，解决梯度消失/爆炸的问题，也不用解释，这几年刷爆各大顶会。
2.18Gatedrecurrentunits(GRU)
门循环单元，类似LSTM的定位，算是LSTM的简化版。
2.19NeuralTuringmachines(NTM)
神经图灵机，LSTM的抽象，以窥探LSTM的内部细节。具有读取、写入、修改状态的能力。
2.20Bidirectionalrecurrentneuralnetworks,bidirectionallong/shorttermmemorynetworksandbidirectionalgatedrecurrentunits(BiRNN,BiLSTMandBiGRUrespectively)
双向循环神经网络、双向长短期记忆网络和双向门控循环单元，把RNN、双向的LSTM、GRU双向，不再只是从左到右，而是既有从左到右又有从右到左。
2.21Deepresidualnetworks(DRN)
深度残差网络，是非常深的FFNN，它可以把信息从某一层传至后面几层（通常2-5层）。
2.22Echostatenetworks(ESN)
回声状态网络，是另一种不同类型的（循环）网络。
2.23Extremelearningmachines(ELM)
极限学习机，本质上是随机连接的FFNN。
2.24Liquidstatemachines(LSM)
液态机，跟ESN类似，区别是用阈值激活函数取代了sigmoid激活函数。
2.25Supportvectormachines(SVM)
支持向量机，入门机器学习的人都知道，不解释。
2.26Kohonennetworks(KN,alsoselforganising(feature)map,SOM,SOFM)
Kohonen网络，也称之为自组织（特征）映射。
对应的代码KN/SOM：
后续建议
我个人感觉能力提升最快的方式是：先横向学习一个领域，做到全面的认识；然后从头到尾一项一项去突破，做到有深度。如果今天学点这个，明天学点那个，水平提升很慢，建议顺着技术发展的主线从头到尾学完。技术是无止境的，积累很重要，但有量远远不够，还得讲究方法。
对应到本文，学会并实现和优化这些模型，远远不够。我建议还可以有如下尝试：
◆
CTA核心技术及应用峰会
5月25-27日，由中国IT社区CSDN与数字经济人才发展中心联合主办的第一届CTA核心技术及应用峰会将在杭州国际博览中心隆重召开，峰会将围绕人工智能领域，邀请技术领航者，与开发者共同探讨机器学习和知识图谱的前沿研究及应用。