还记的吴恩达在斯坦福最新的深度学习课程么？那是继deeplearning.ai深度学习专项课程之后吴恩达的又一神作。

课程涉及深度学习的基础知识、神经网络构建，以及如何完成一个成功的机器学习项目。具体将涉及卷积网络，RNNs，LSTM，Adam，Dropout，BatchNorm，Xavier / He初始化等，还提供医疗，自动驾驶，手语阅读，音乐创作和自然语言处理等多领域的案例研究。

如此优秀的课程，可惜是线下课程，不能满足所有人的需求，因此文摘菌之前给出过课程的相关资料，也推荐过此课程的一个具体的项目《用GAN补全镜头外的世界》。可以帮助非斯坦福的同学学习课程，现在文摘菌给出课程的补充资料，吴恩达的粉丝快快收藏吧~~~

此补充资料分为实践项目和最终项目，而且所有的资料都放在GitHub中，下面文摘菌给出简介和GitHub地址，感兴趣的同学自行浏览和下载。

GitHub链接：

https://cs230-stanford.github.io/pytorch-nlp.html

实践项目

这一部分包括TensorFlow简介和数据的预处理。其中TensorFlow简介分为两个部分，第一部分是TensorFlow教程，通过这个教程你可以通过MNIST数据库用代码建立一个神经网络，对数据集进行分类。另一部分是一个项目实现的参考代码，目的是为了更好地熟悉教学人员提供的CS 230项目示例代码。

CS230项目示例代码：

https://github.com/cs230-stanford/cs230-code-examples

数据的预处理也包括两部分，其中第一部分是图像数据的预处理，在这一部分中，通过练习能够使用流行的库“skImage”对图像进行预处理，然后运用到Keras编码的神经网络中。第二部分是文本数据的预处理，除此之外附录中给出了一个训练数据以及模型的代码示例。

GitHub链接：

https://github.com/cs230-stanford/cs230-code-examples/tree/master/tensorflow

最终项目

最终项目分为4个部分，包括简介，最佳实践展示，TensorFlow以及pytorch。其中简介目录下有两个子目录。项目代码示例的介绍目录下整体介绍了怎样帮助熟悉ProjectCode示例，并介绍一系列解释如何构建深度学习项目的文章。AWS setup目录下介绍了如何为深度学习项目建立AWS。

第二部分是最佳项目示例也有两个子目录，包括，对训练数据集，开发数据集以及测试数据集的分离。第二个子目录介绍了如何配置文件、加载超参数以及如何做随机搜索等。

最终项目的第三部分是TensorFlow的一系列的知识，包括TensorFlow的简介，如何构建数据管道以及如何创建和训练模型。这一部分的TensorFlow简介与前面不同的是：帮助学生了解更多的TensorFlow相关信息，以及了解如何使用tf.layers轻松构建模型

第四部分是PyTorch版块，分为三个子目录，第一个子目录帮助了解有关PyTorch的更多信息，以及帮助学习如何在PyTorch中正确构造深度学习项目等。第二部分是卷积网络的定义及使用pytorch对图像数据进行高效的加载。第三部分是教会学生定义递归网络并加载文本数据。

GitHub链接：

https://cs230-stanford.github.io/pytorch-nlp.html

原文链接：https://mp.weixin.qq.com/s/g01W3qXnjIyWdeames9vbA