Merge pull request #137 from xiyanxiyan10/master

更新了Readme的排版，更便于阅读.

README.md

@@ -1,72 +1,18 @@
-##############################################################  
+# 1. 版权声明  
-请尊重作者的知识产权，版权所有，翻版必究。   2018.6.27  Tan     
+请尊重作者的知识产权，版权所有，翻版必究。   
-##　scutjy2015@163.com　(唯一官方邮箱)
-## `注意；现出现不法分子冒充发起人，请广大伙伴儿知悉！`
-##############################################################
 
-## 接下来，将提供MD版本，大家一起编辑完善，敬请期待！
+请大家一起维护自己的劳动成果，进行监督。
-## 希望踊跃提建议，补充修改内容！
-## 希望踊跃提建议，在已提交MD版本补充修改内容！
-  为了让内容更充实完善，集思广益，请在修改MD文件的同时（或直接留言）备注自己的姓名－单位（大佬－斯坦福大学），一经采纳，会在原文中显示贡献者的信息，如有收益，会进一步分红，谢谢！   
-例：   
-### 3.3.2 如何寻找超参数的最优值？（贡献者：大佬－斯坦福大学）
 
-在使用机器学习算法时，总有一些难搞的超参数。例如权重衰减大小，高斯核宽度等等。算法不会设置这些参数，而是需要你去设置它们的值。设置的值对结果产生较大影响。常见设置超参数的做法有：
+2018.6.27 Tan
 
-    1. 猜测和检查：根据经验或直觉，选择参数，一直迭代。
+# 2. 概述
-    2. 网格搜索：让计算机尝试在一定范围内均匀分布的一组值。
-    3. 随机搜索：让计算机随机挑选一组值。
-    4. 贝叶斯优化：使用贝叶斯优化超参数，会遇到贝叶斯优化算法本身就需要很多的参数的困难。
-    5. 在良好初始猜测的前提下进行局部优化：这就是 MITIE 的方法，它使用 BOBYQA 算法，并有一个精心选择的起始点。由于 BOBYQA 只寻找最近的局部最优解，所以这个方法是否成功很大程度上取决于是否有一个好的起点。在 MITIE 的情况下，我们知道一个好的起点，但这不是一个普遍的解决方案，因为通常你不会知道好的起点在哪里。从好的方面来说，这种方法非常适合寻找局部最优解。稍后我会再讨论这一点。
-    6. 最新提出的 LIPO 的全局优化方法。这个方法没有参数，而且经验证比随机搜索方法好。
 
-### 已提交MD版本章节：请查看MarkDown（排名不分先后）
+本项目是大家对AI的相关知识进行整合，集思广益, 以便形成 内容充实，覆盖全面的文集。 
-待定：表示该章节还未匹配到合适的负责人（统筹该章节的内容修改、审核、原创性陈述）   
-可加：表示该章节，如果有其他合适的，可以开放权限加到负责人身份   
 
+# 3. 目录
 
-    第一章 数学基础    负责人：哈工大博士-袁笛     
+**第一章 数学基础	1**
-    第二章 机器学习基础    负责人：稿定科技计算机视觉工程师-刘鹏；（待定）     
-    第三章 深度学习基础    负责人：同济大学研究生-乔成磊；稿定科技计算机视觉工程师-刘鹏；（可加）     
-    第四章 经典网络    负责人：华南理工研究生-黄钦建；（可加）    
-    第五章 卷积神经网络CNN    负责人：杜克大学硕士、data scientist李骁丹；重庆大学研究生-刘畅；铪星创新科技联合创始人-杨文英；（可加）    
-    第六章 循环神经网络RNN    负责人：杜克大学硕士、data scientist李骁丹;（可加）   
-    第七章 生成对抗网络GAN    负责人：牛津大学博士泽华；中科院硕士、爱奇艺算法工程师-郭晓锋；      
-    第八章 目标检测    负责人：稿定科技计算机视觉工程师-刘鹏；哈工大博士袁笛；上海大学研究生-陈方杰   
-    第九章 图像分割    负责人：华南理工研究生-黄钦建；电子科大研究生-孙洪卫、张越；中国农业科学院-杨国峰   
-    第十章 强化学习    负责人：复旦大学研究生明杰，杭州启飞CTO-徐武民；（可加）   
-    第十一章 迁移学习    负责人：中科院计算技术研究所博士－王晋东；（可加）   
-    第十二章 网络搭建及训练    负责人：（待定）   
-    第十三章 优化算法    负责人：杭州启飞CTO-徐武民；（可加）  
-    第十四章 超参数调整    负责人：中兴通讯有限公司算法工程师－王超锋;（可加）   
-    第十五章 GPU和框架选型    负责人：澳洲monash大学Research Scientist/Telstra(澳洲电信)Data Scientist-钟申俊博士；    
-    ---------------------平安科技算法工程师-崔永明、（可加）   
-    第十六章 自然语言处理NLP    负责人：电子科技大学博士-盛泳潘；深圳乌灵图明科技有限公司CTO-何建宏;DaoCloud研发工程师-张善干；　　　　
-    ---------------------澳洲monash大学Research Scientist/Telstra(澳洲电信)Data Scientist-钟申俊博士；    
-    ---------------------华南理工大学&UCI博士-黄振华   
-    第十七章 移动端框架部署（新增）   负责人：川大硕士-顺丰科技-谈继勇；贵州大学硕士-三星-张达峰（可加）  
 
-
-
-寻求有愿意继续完善的朋友、编辑、写手；如有意合作，完善出书（成为共同作者）    
-所有提交内容的贡献者，将会在文中体现贡献者个人信息（大佬-西湖大学）   
-
-##############################################################
-
-请联系scutjy2015@163.com　(唯一官方邮箱)；　加微信Tan：  tan_weixin88
-
-### 进群先在MD版本增加、改善、提交内容后，更容易进群。
-
-进群请加微信　委托人１：HQJ199508212176　　委托人２：Xuwumin1203　　委托人３：tianyuzy 
-
-微信交流群：《深度学习500问》交流群  
-![《深度学习500问》交流群二维码](/WechatIMG3.jpeg) 
-2018.10.23  Tan 
-
-##############################################################
-
-# 目录	2
-## 第一章 数学基础	1
 1.1 标量、向量、张量之间的联系	1  
 1.2 张量与矩阵的区别？	1  
 1.3 矩阵和向量相乘结果	1  
@@ -84,7 +30,9 @@
 1.15 条件概率的链式法则	10  
 1.16 独立性和条件独立性	11  
 1.17 期望、方差、协方差、相关系数总结	11  
-## 第二章 机器学习基础	14  
+
+**第二章 机器学习基础	14**  
+
 2.1 各种常见算法图示	14
 2.2 监督学习、非监督学习、半监督学习、弱监督学习？	15  
 2.3 监督学习有哪些步骤	16  
@@ -185,7 +133,9 @@
 2.30 聚类和降维有什么区别与联系？	82  
 2.31 GBDT和随机森林的区别	83  
 2.32 四种聚类方法之比较	84  
-## 第三章 深度学习基础	88  
+
+**第三章 深度学习基础	88**  
+
 3.1 基本概念	88  
 3.1.1 神经网络组成？	88  
 3.1.2 神经网络有哪些常用模型结构？	90  
@@ -252,7 +202,9 @@
 3.12 Dropout 系列问题	128  
 3.12.1 dropout率的选择	128  
 3.27 Padding 系列问题	128 
-## 第四章 经典网络	129  
+
+**第四章 经典网络	129**  
+
 4.1 LetNet5	129  
 4.1.1 模型结构	129  
 4.1.2 模型结构	129  
@@ -292,7 +244,9 @@
 4.8.7 ResNet作为小型网络的组合	165  
 4.8.8 ResNet中路径的特点	166  
 4.9 为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的？	167  
-## 第五章 卷积神经网络(CNN)	170  
+
+**第五章 卷积神经网络(CNN)	170**  
+
 5.1 卷积神经网络的组成层	170  
 5.2 卷积如何检测边缘信息？	171  
 5.2 卷积的几个基本定义？	174  
@@ -355,7 +309,9 @@
 5.26 全卷积与Local-Conv的异同点	215  
 5.27 举例理解Local-Conv的作用	215  
 5.28 简述卷积神经网络进化史	216  
-## 第六章 循环神经网络(RNN)	218  
+
+**第六章 循环神经网络(RNN)	218**  
+
 6.1 RNNs和FNNs有什么区别？	218  
 6.2 RNNs典型特点？	218  
 6.3 RNNs能干什么？	219  
@@ -369,7 +325,9 @@
 6.6.5 Gated Recurrent Unit Recurrent Neural Networks	224  
 6.6.6 LSTM Netwoorks	224  
 6.6.7 Clockwork RNNs(CW-RNNs)	225  
-## 第七章 目标检测	228  
+
+**第七章 目标检测	228**  
+
 7.1 基于候选区域的目标检测器	228  
 7.1.1 滑动窗口检测器	228  
 7.1.2 选择性搜索	229  
@@ -394,7 +352,9 @@
 7.4.6 YOLO9000	261  
 7.4.7 YOLOv3	263  
 7.4.8 YOLOv3改进	264  
-## 第八章 图像分割	269  
+
+**第八章 图像分割	269**  
+
 8.1 传统的基于CNN的分割方法缺点？	269  
 8.1 FCN	269  
 8.1.1 FCN改变了什么?	269  
@@ -427,7 +387,9 @@
 8.8.2 图像级别标记	297  
 8.8.3 DeepLab+bounding box+image-level labels	298  
 8.8.4 统一的框架	299  
-##  第九章 强化学习	301  
+
+**第九章 强化学习	301**  
+
 9.1 强化学习的主要特点？	301  
 9.2 强化学习应用实例	302  
 9.3 强化学习和监督式学习、非监督式学习的区别	303  
@@ -437,7 +399,9 @@
 9.7 深度记忆强化学习算法	306  
 9.8 多智能体深度强化学习算法	307  
 9.9 深度强化学习算法小结	307  
-## 第十章 迁移学习	309  
+
+**第十章 迁移学习	309**  
+
 10.1 什么是迁移学习？	309  
 10.2 什么是多任务学习？	309  
 10.3 多任务学习有什么意义？	309  
@@ -445,7 +409,9 @@
 10.5 端到端的深度学习举例？	311  
 10.6 端到端的深度学习有什么挑战？	311  
 10.7 端到端的深度学习优缺点？	312  
-## 第十三章 优化算法	314  
+
+**第十三章 优化算法	314**  
+
 13.1 CPU和GPU 的区别？	314  
 13.2 如何解决训练样本少的问题	315  
 13.3 什么样的样本集不适合用深度学习?	315  
@@ -494,13 +460,18 @@
 13.42 怎么配置mini-batch梯度下降	342  
 13.43 局部最优的问题	343  
 13.44 提升算法性能思路	346  
-## 第十四章 超参数调整	358  
+
+**第十四章 超参数调整	358**  
+
 14.1 调试处理	358  
 14.2 有哪些超参数	359  
 14.3 如何选择调试值?	359  
 14.4 为超参数选择合适的范围	359  
 14.5 如何搜索超参数？	359
-## 第十五章 异构计算， GPU和框架选型指南 361  
+
+**第十五章 异构计算， GPU和框架选型指南 361** 
+
+
 15.1 什么是异构计算？	361  
 15.2 什么是GPGPU？	361  
 15.3 GPU架构简介	361  
@@ -531,7 +502,87 @@
   15.8.5 TPU和GPU的区别？  
   15.8.6 未来量子计算对于深度学习等AI技术的影像？  
 
+**参考文献	366**  
 
-## 参考文献	366  
 hey you are looked like a cool developer.
 Translate it in english.
+
+# 4. 加入以及文档规范
+寻求有愿意继续完善的朋友、编辑、写手；如有意合作，完善出书（成为共同作者）。    
+所有提交内容的贡献者，将会在文中体现贡献者个人信息（例: 大佬-西湖大学）  
+为了让内容更充实完善，集思广益，欢迎Fork该项目并参与编写。请在修改MD文件的同时（或直接留言）备注自己的姓名－单位（大佬－斯坦福大学），一经采纳，会在原文中显示贡献者的信息，如有收益，会进一步分红，谢谢！   
+
+例子： 
+
+```markdown
+### 3.3.2 如何寻找超参数的最优值？（贡献者：大佬－斯坦福大学）
+
+在使用机器学习算法时，总有一些难搞的超参数。例如权重衰减大小，高斯核宽度等等。算法不
+会设置这些参数，而是需要你去设置它们的值。设置的值对结果产生较大影响。常见设置超参数
+的做法有：
+
+    1. 猜测和检查：根据经验或直觉，选择参数，一直迭代。
+    2. 网格搜索：让计算机尝试在一定范围内均匀分布的一组值。
+    3. 随机搜索：让计算机随机挑选一组值。
+    4. 贝叶斯优化：使用贝叶斯优化超参数，会遇到贝叶斯优化算法本身就需要很多的参数的
+    困难。
+    5. 在良好初始猜测的前提下进行局部优化：这就是 MITIE 的方法，它使用 BOBYQA 算
+    法，并有一个精心选择的起始点。由于 BOBYQA 只寻找最近的局部最优解，所以这个方法
+    是否成功很大程度上取决于是否有一个好的起点。在 MITIE 的情况下，我们知道一个好的
+    起点，但这不是一个普遍的解决方案，因为通常你不会知道好的起点在哪里。从好的方面来
+    说，这种方法非常适合寻找局部最优解。稍后我会再讨论这一点。
+    6. 最新提出的 LIPO 的全局优化方法。这个方法没有参数，而且经验证比随机搜索方法好。
+```
+
+# 5. 贡献与项目概览
+
+已提交MD版本章节：请查看MarkDown（排名不分先后）
+
+待定：表示该章节还未匹配到合适的负责人（统筹该章节的内容修改、审核、原创性陈述）   
+可加：表示该章节，如果有其他合适的，可以开放权限加到负责人身份
+
+   
+
+| 内容             |  负责人   | 状态|
+| ---------------- | :-------- | :--------|
+|第一章 数学基础|哈工大博士-袁笛| 待定 |
+|第二章 机器学习基础|稿定科技计算机视觉工程师-刘鹏|待定|
+|第三章 深度学习基础|同济大学研究生-乔成磊；稿定科技计算机视觉工程师-刘鹏|可加|
+|第四章 经典网络|华南理工研究生-黄钦建|可加|
+|第五章 卷积神经网络CNN |杜克大学硕士、data scientist李骁丹；重庆大学研究生-刘畅；铪星创新科技联合创始人-杨文英；|可加|
+|第六章 循环神经网络RNN|杜克大学硕士、data scientist李骁丹|可加|
+|第七章 生成对抗网络GAN|牛津大学博士泽华；中科院硕士、爱奇艺算法工程师-郭晓锋；||
+|第八章 目标检测|稿定科技计算机视觉工程师-刘鹏；哈工大博士袁笛；上海大学研究生-陈方杰||
+|第九章 图像分割|华南理工研究生-黄钦建；电子科大研究生-孙洪卫、张越；中国农业科学院-杨国峰||
+|第十章 强化学习|复旦大学研究生明杰，杭州启飞CTO-徐武民|可加|
+|第十一章 迁移学习|中科院计算技术研究所博士－王晋东|可加|
+|第十二章 网络搭建及训练|    |待定|
+|第十三章 优化算法|杭州启飞CTO-徐武民|可加|
+|第十四章 超参数调整|中兴通讯有限公司算法工程师－王超锋|可加|
+|第十五章 GPU和框架选型|澳洲monash大学Research Scientist/Telstra(澳洲电信)Data Scientist-钟申俊博士；平安科技算法工程师-崔永明|可加|
+|第十六章 自然语言处理NLP|电子科技大学博士-盛泳潘；深圳乌灵图明科技有限公司CTO-何建宏;DaoCloud研发工程师-张善干；澳洲monash大学Research Scientist/Telstra(澳洲电信)Data Scientist-钟申俊博士；华南理工大学&UCI博士-黄振华||
+|第十七章 移动端框架部署（新增）|川大硕士-顺丰科技-谈继勇；贵州大学硕士-三星-张达峰|可加|
+
+
+# 6. 更多
+
+1. 寻求有愿意继续完善的朋友、编辑、写手; 如有意合作，完善出书（成为共同作者）。    
+  所有提交内容的贡献者，将会在文中体现贡献者个人信息（大佬-西湖大学）。   
+
+2. 联系方式 : 请联系scutjy2015@163.com　(唯一官方邮箱)；　
+
+   微信Tan：  tan_weixin88(进群先在MD版本增加、改善、提交内容后，更容易进群。)
+
+   进群请加微信　委托人１：HQJ199508212176　　委托人２：Xuwumin1203　　委托人３：tianyuzy 
+
+
+
+   ![《深度学习500问》微信交流群二维码](/WechatIMG3.jpeg) 
+​    
+
+3. 注意, 现出现不法分子冒充发起人，请广大伙伴儿知悉！
+
+4. 接下来，将提供MD版本，大家一起编辑完善，敬请期待！希望踊跃提建议，补充修改内容！
+
+
+