深度神经网络完整架构介绍（含 PyTorch 实现代码片段）
I 引言
To keep on track of state-of-the-art (SOTA) on ImageNet Classification and new CNN architectures
所有主流目标检测深度神经网络的Tensorflow、pytorch、caffe实现：
部分截图：
II 72页PPT介绍深度神经网络完整架构（含 PyTorch 实现代码片段）
在线地址：
这份 PPT 的主要揭示了神经网络不同复杂结构对不同任务的适用性。并且把这些的理论映射到具体的 PyTorch 代码上。主要包括三个部分：
- Basic Architectures
- Fully Connected Layers
-
Recurrent Layers
-
Convolutional Layers
-
Advanced Architectures
- Hybrid CNN/RNN = QRNN
-
Auto-Encoders
-
Deep Classifiers/Deep Regressors
-
Residual Connections/Skip Connections, U-Net and SEGAN
-
GANs (DCGAN)
-
Conclusions
下面分别来看一下。
1. Basic Architectures
第一部分主要介绍神经网络三种最基本的类型：全连接层、循环层、卷积层。
2. Advanced Architectures
第二部分主要介绍的是一些高级神经网络结构，包括：QRNN、自动编码器、深层分类器/深层回归器、U-Net、GANs 等。
3. Conclusions
第三部分是全文的总结。