AlphaGo与李世石一战后，深度学习技术在中国风靡一时。吸引了大批技术人员前来学习，那么如何才能更快上手深度学习呢？下面介绍的18个挑战项目，带你通过实践快速上手深度学习！1.北京房价预测本题利用线性回归的相关知识，对北京的房价进行预测。该数据集中共有12列。由于线性回归需要输入数值数据，所以我们选择的特征包括“公交车、写字楼、医院、商场、地铁、学校、施工时间、楼层、面积”等9项，其中“每平方米价格”是预测值目标价值。2.梯度下降法的实现与应用梯度下降作为一种优化方法，一般可以用在参数问题的优化过程中。为了更好地理解这种方法的好处并理解它的用途，在这个挑战中，我们将尝试使用梯度下降来解决一些线性回归问题。3.手写字符识别神经网络本挑战赛结合scikit-learn提供的人工神经网络实现方法完成手写字符识别。4.TensorFlowCaliforniaHousePricePrediction这个挑战尝试使用TensorFlow来实现线性回归。你可能认为线性回归很基础，但这里的目的是让你熟悉在TensorFlow中构建模型的整个过程，以及Placeholder和Constant等重要概念。5.TensorFlow汽车评价分类本挑战赛使用TensorFlow构建合理的全连接人工神经网络，完成汽车安全评价分类任务。需要使用TensorFlow的功能和方法来完成网络构建、训练、预测和评估。自己选择数据处理方式、神经网络结构、损失函数、优化方式等。允许数据预处理等非主代码使用少量其他类库提供的函数和操作。6.TensorFlow时尚单品分类本次挑战将是一个由你独立完成的开放式分类预测练习。你需要使用Fashion-MNIST时尚单品数据集，通过TensorFlowKeras构建一个合理的DNN网络。结果输出：Trainon60000samples,validateon10000samplesEpoch1/560000/60000[==============================]-loss:0.3098-acc:0.8856-val_loss:0.3455-val_acc:0.8776Epoch2/560000/60000[=================================]-loss:0.2981-acc:0.8891-val_loss:0.3352-val_acc:0.8784Epoch3/560000/60000[===============================]-loss:0.2885-acc:0.8914-val_loss:0.3346-val_acc:0.8741Epoch4/560000/60000[================================]-loss:0.2802-acc:0.8942-val_loss:0.3349-val_acc:0.8808Epoch5/560000/60000[================================]-loss:0.2738-acc:0.8982-val_loss:0.3197-val_acc:0.88517.PyTorch实现线性回归在这个挑战中，你需要使用PyTorch来实现熟悉的线性回归.线性回归很容易，但挑战的目标是熟悉PyTorch的使用。结果输出：Iteration[10/100],Loss:0.791Iteration[20/100],Loss:0.784Iteration[30/100],Loss:0.778Iteration[40/100],Loss:0.772Iteration[50/100],Loss:0.767Iteration[60/100],Loss:0.762Iteration[70/100],Loss:0.757Iteration[80/100],Loss:0.753Iteration[90/100],Loss:0.749Iteration[100/100],损失：0.7458。构建LeNet5此挑战将使用TensorFlowEstimator高级API重构LeNet-5并完成训练。9.迁移学习完成动物分类在本次挑战赛中，我们尝试使用TensorFlowKeras训练动物分类的迁移学习模型。10.DCGAN动漫人物图像生成在本次挑战中，您将了解GAN的一种常见结构DCGAN，并使用它构建一个可以自动生成动漫头像的神经网络。11.ConvolutionalAutoencoderImageDenoising在这个挑战中，需要独立构建一个具有卷积结构的自编码器来完成图像去噪任务。12.YOLO图像目标检测应用YOLO是不同于R-CNN的另一种常见的目标检测方法。在这个挑战中，你需要独立尝试使用相关工具来使用YOLO来完成目标检测应用。13.LSTM预测股票价格股票交易趋势预测是量化交易涉及的任务之一，即通过统计学和机器学习的方式分析和预测价格趋势。一般来说，我们可以使用时间序列关联建模的方法，但本次挑战将尝试使用LSTM来完成股票预测分析。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非常重要的应用。这一挑战需要循环神经网络的知识来提高假新闻文本分类的准确性。15.BERT预训练技术的实际应用2018年，自然语言处理领域最大的新闻之一就是GoogleBERT的诞生。GoogleBERT号称是目前最先进的NLP预训练技术，支持中文及更多语言。在相关论文中，BERT展示了包括斯坦福问答数据集（SQUADv1.1）在内的11项NLP任务的最新成果，均取得了最好成绩。本次挑战赛使用谷歌BERT提供的中文预训练语言模型完成假新闻数据的文本分类任务。我们建议您对提供的数据进行8:2拆分，最终得到测试集上的准确率。16.AerialCactusIdentification是Kaggle上的入门级机器学习竞赛。本次挑战赛将使用Auto-Keras自动化深度学习框架完成比赛。17.构建图像分类推理服务在本次挑战中，您需要尝试使用TensorFlowKeras提供的预训练模型构建图像分类实时推理API接口。为使用MobileNetV2预训练模型构建的图像分类实现实时推理API，并使用它对通过POST请求传入的任何图像执行推理。18、增值税发票云服务识别本次挑战需要调用百度云提供的增值税发票识别接口，完成增值税发票图片识别任务。
