本文主要介绍了门控循环单元GRU网络的原理以及实现。

在2014年的ImageNet图像识别大赛中，一个名叫GoogleNet的网络架构大放异彩。GoogleNet使用了一种叫作Inception的结构。其实GoogleNet本质上就是一种Inception网络，而一个Inception网络又是由多个Inception模块和少量的汇聚层堆叠而成。

MIOU，即平均交并比（Mean Intersection over Union），是评价语义分割模型性能的一个重要指标，本文介绍了MIOU的计算方法

本文CNN原理部分参考复旦大学丘锡鹏老师的《神经网络与深度学习》一书。

本文介绍了AlexNet网络模型的结构，并进行了代码实现，在cifar-10数据集上进行了训练，最后简单介绍了一下模型的预训练和微调。

用循环神经网络对股价序列进行预测

本文介绍了残差神经网络的原理与代码实现，并在cifar-10数据集上进行了训练和测试。

不过现在主流的深度学习都是采用框架来进行开发的，最主流的是：Tensorflow，Keras（对Tensorflow做了封装，本质上还是Tensorflow），Mxnet，Pytorch，以及国内百度的PaddlePaddle。下面我们构建了一个训练函数，采用了预训练的VGG16模型，因为VGG是在Imagenet上做的预训练，最后输出是1000类的，而我们这里是两类的，所以需要改造一下最后一层。

本文介绍了VGG的原理以及代码实现，并在cifar-10和猫狗分类数据集上进行了测试，特别提到了批量归一化层对于训练效果的提升。

数据增强是深度学习中一个很重要的技巧，本文介绍了数据增强的方法并展示了做了数据增强后效果的提升