非专业的nlp、图像工程师，tensorflow调包工程师，注重快速实现，那么，让我们一起做点有趣的事情吧！ 这个工程的目的是将自己在工程和学术研究中，一些应用到深度学习的思路和方法整理汇总出来：

• 帮助深度学习入门同学快速上手
• 提供一些在现有的机器学习方向上的新的方向和思路的整理
• 解锁思维的禁锢

关于深度学习相关的浅入浅出的介绍，可以快速入门一下浅入浅出深度学习理论实践。

关于深度学习相关的点击预估的介绍，可以快速入门一下yoho注册概率预估。

关于深度学习相关的图像识别的介绍，可以快速入门一下基于SSD下的图像内容识别（一），基于SSD下的图像内容识别（二）。

关于深度学习相关的目标向量化的介绍，可以快速入门一下深度学习下的电商商品推荐。

关于深度学习相关的多层感知机的介绍，可以快速入门一下基于Tensorflow实现多层感知机网络MLPs。

关于深度学习相关的deepfm的介绍，可以快速入门一下基于Tensorflow实现DeepFM。

关于深度学习相关的Deep Neural Networks for YouTube Recommendations的介绍，可以快速入门一下利用DNN做推荐的实现过程总结。

关于深度学习相关的RCNN_GRU的介绍，实在没空写博客了，sorry

关于深度学习相关的TextCNN的介绍，实在没空写博客了，sorry

关于深度学习相关的Bert做fine-tune的代码(类似接口，具体实现按照时间项目去改)，我每次做nlp的baseline的时候，都是在这个代码上进行更改，主要是ner和classify两个问题的模版，可以快速入门一下Bert你需要知道的一些细节

关于深度学习相关的XDeepFM的介绍，可以快速入门一下xDeepFM架构理解及实现。

关于深度学习相关的DeepInterestNetwork的介绍，实在没空写博客了，sorry

关于深度学习相关的Estimator框架模版的介绍，原因有三：

• 组内同学开发不规范，tf代码风格包括：slim,keras,contrib,graph各式各样的写法，混乱不好管理
• 代码逻辑不清晰，随处定义变量，随处定义函数
• 由tornado服务迁往serving服务，需要更新的更频繁，接受的代码更加简单易上手，不需要高频去查各种tf接口

关于深度学习相关的Doc2Vec的介绍，可以快速入门一下Distributed Representations of Sentences and Documents

利用GRU，提取用户的行为时序稀疏特征，并产出stack初始层的思路

利用全连接+CNN，提取稀疏特征，并产出stack初始层的思路

网络结构

Google 推荐算法的代码修正，原始代码来源于网络但是不能执行及流程不完整，修复代码demo，现可以直接复制后使用

网络结构

注意

在Linux环境下，tensorflow==1.0.0会有如下的报错，而MacBook环境下，tensorflow=1.0.0就不会报错：

double free or corruption (!prev): 0x0000000001f03dd0 ***

解决方法是更新版本到1.6.0（其他版本我没试），官方之前有人提过issue，大家注意一哈！

利用ssd直接实现物体区域识别

图片版效果：

视频版本地址：

行人识别场景

车辆识别场景

利用样本频率+Huffman树路径最大概率的方法，实现特征向量化的思路

最简单的入门级神经网络算法

入门级别的CTR Prediction的神经网络算法

可能感兴趣的其他相关内容：FM部分||FFM部分

最近在利用来自google的YouTube团队发表在16年9月的RecSys会议的论文Deep Neural Networks for YouTube Recommendations做用户个性化商品推荐，看到不少论文上的理论总结分析，都很精彩，我手动实现了一遍，总结了一些实际工程中的体会，给大家也给自己一个总结交代。

normal_version：按照论文未修改的basemodel

attention_version：在basemodel的基础上，加了attention机制（线性attention/rnn attention）

record_dataformat_version：在basemodel的基础上，利用record机制存储数据，加快训练速度

• RCNN_GRU/model: 初始化模型的脚本
• RCNN_GRU/process: 数据预处理的脚本

在做黄反广告文本的识别:

• 初版本是朴素贝叶斯+LR(recall:72%，precision:88%)
• 优化版是CBOW+LR(recall:77%，precision:88%)
• 进阶版是CBOW/GLOVE+MLR(recall:85%，precision:91%)
• 当前版是[D2V,CBOW,GLOVE]+TextCNN(recall:90%，precision:92%)

Bert+BiLSTM+Crf/FNN，关于Bert的更多可以参考我的ppt分享

网络结构

主要把网络架构梳理了一边，后面项目结束再把整体的工程代码开源出来。

和常见的网络上的版本不同的有两个地方的修改，我司实际使用上比官方版本要提升0.2pp的auc：

• dice中的predict的bn过程采取了训练集的期望方差
• 在fc的过程中用了tf.tanh替代tf.sigmoid/dice/prule

• data
  • 数据构造
  • DataMake.py
    • 常规构造方法
  • DeepFmDataMake.py
    • DeepFM的数据构造
  • TextCNNDataMake.py
    • TextCNN的数据构造
• model
  • 模型框架
    • DeepFM
    • TextCNN
• serving
  • docker部署
  • serving_grpc_client.py
    • 调用serving服务

Estimator框架重新写了DeepFm和TextCNN，总的来说，代码量差不多只是更加规范化了，以后建议以Estimator框架为模版开发。

来自于Distributed Representations of Sentences and Documents

请参考：requirements.txt

• E-mail:stw386@sina.com