文/编辑 | 言有三

有三AI很少写零散的报导，因为我们的文章通常都是提炼与总结，一般遇到一个新方向，找技术综述读一读是最合适的开始，大家也可以拓展一下自己的知识边界，今天总结一下有三AI迄今为止发过的技术综述类文章，也欢迎大家来投稿原创。

CV算法工程师指导手册

《深度学习视觉算法工程师成长指导手册》，超过14万字，420页word文档，可下载收藏打印，已经确定会编撰成书，发送关键词“三人行必有AI”到公众号即可先睹为快。

【通知】有三AI更新420页14万字视觉算法工程师成长指导手册，可下载收藏打印

本手册以深度学习视觉算法工程师为例，借鉴广泛采用的评级机制，分为4个大境界，即白身，初识，不惑，有识。每一个境界都由浅入深提供10多篇文章对核心知识点进行梳理，并对技术发展的最新水平进行简单介绍和展望，目前已经超过30期文章。

自然语言处理算法核心技术

这里共包括12篇文章，从NLP中常用的机器学习算法开始，介绍了NLP中常用的算法和模型。从朴素贝叶斯到XLnet，从RNN到transformerXL。公众号还有很多的NLP相关内容，覆盖理论和实战，欢迎大家阅读。

【完结】 12篇文章带你完全进入NLP领域，掌握核心技术

GAN

被誉为新一代深度学习的生成对抗网络GAN，在近几年是实实在在的学术界和工业界宠儿，其中最核心基础的内容便是优化目标。首先我们从基本的对抗损失，到各种训练技巧进行了总结，这个综述你值得阅读，第二季已经开始更新。

【完结】12篇GAN的优化文章大盘点，浓浓的数学味儿

【杂谈】如何系统性地学习生成对抗网络GAN

同时有三在很早的时候对GAN的应用和结构也开始做一些总结，GAN在人脸图像领域和底层图像处理领域里已经颇有建树，我们详细总结了它的各个应用方向及其中关键技术要点，大家可以查看我们的GAN年终总结，以及相关技术综述。

【杂谈】GAN对人脸图像算法产生了哪些影响？

【杂谈】那些底层的图像处理问题中，GAN能有什么作为？

同时，有三AI秋季划也提供了长期交流学习GAN的季划，供需要提升的你进行选择。

【杂谈】有三AI秋季划增加生成对抗网络小组，你准备好大GAN一场了吗

模型设计与优化

相比于学术理论研究，深度学习更是一门工程应用技术，其中最重要的一块内容就是模型，迄今为止为了让大家更好地掌握深度学习模型设计和优化，我们做了非常多的工作，剖析深度学习中各类具有代表性的CNN模型，详细分析了各类模型的特点，设计思想。从图文，到视频直播，到知识星球，应有尽有！并且，第一本相关的新书也出了！

言有三新书来袭！业界首次深入全面讲解深度学习模型设计

【杂谈】为了让大家学好深度学习模型设计和优化，有三AI都做了什么

【总结】言有三&阿里天池深度学习模型设计直播汇总，附赠超过200页直播PPT课件

【完结】总结12大CNN主流模型架构设计思想

另外自从Google提出AutoML技术以来，AutoML在网络结构的搜索上已经取得了非常多的突破，在网络结构本身的搜索上，AutoML技术对于深度学习模型的优化也有非常多的贡献。我们开辟了相关专栏进行详细解读，在知识星球中持续更新。

【小结】除了网络搜索(NAS)，AutoML对深度学习模型优化还有哪些贡献？

同时，有三AI秋季划也提供了长期交流学习模型优化的季划，供需要提升的你进行选择。

有三AI秋季划出炉，模型优化，人脸算法，图像质量等24个项目等你来拿

有三AI开源项目

这是有三AI开源的第一个GitHub项目，地址为https://github.com/longpeng2008/yousan.ai，在这里给大家捋清楚当前所有主流深度学习开源框架的快速入门，从熟练掌握不同任务数据的准备和使用，熟练掌握模型的定义，熟练掌握训练过程和结果的可视化，到熟练掌握训练方法和测试方法，真正快速掌握框架。

【完结】给新手的12大深度学习开源框架快速入门项目

另外，移动端的框架也已经准备开撸，感兴趣的朋友可以投稿。

【移动端DL框架】当前主流的移动端深度学习框架一览

人脸图像

人脸图像属于最早被研究的一类图像，也是计算机视觉领域中应用最广泛的一类图像，可以说掌握好人脸算法，基本就玩转了计算机视觉领域。在经历了几十年的发展后，现在人脸图像都有哪些研究和应用领域呢？本文从人脸特征，人脸检测，人脸关键点检测，人脸识别，人脸属性分析，人脸分割，人脸美颜，人脸编辑与风格化，三维人脸重建等方向来进行简单介绍。文末覆盖若干综述，系统性文章阅读。

【杂谈】计算机视觉在人脸图像领域的十几个大的应用方向，你懂了几分？

【年终总结】有三AI至今在人脸图像算法领域都分享了哪些内容？

另外对人脸的数据集也进行了详细解读，将近2万字的总结，力求搜罗所有方向。

【总结】最全1.5万字长文解读7大方向人脸数据集v2.0版，搞计算机视觉怎能不懂人脸

【技术综述】一文道尽“人脸数据集”

同时，有三AI秋季划也提供了长期交流学习人脸图像的季划，供需要提升的你进行选择。

有三AI秋季划出炉，模型优化，人脸算法，图像质量等24个项目等你来拿

图像分类

图像分类这个计算机视觉领域里最基本的问题真的很简单吗？恐怕大部分人接触的只是其中简单的内容。从基本的分类到多标签，细粒度，对抗攻击和不平衡样本处理，真正认识一下图像分类或许你需要这个16篇文章的总结，其中还包括了若干篇综述。

【完结】16篇图像分类干货文章总结，从理论到实践全流程大盘点！

视频分类

视频虽是由多帧的图像组成，但视频分类任务与图像分类任务终究不同。此综述从传统方法和深度学习方法，数据集等维度对视频分类方法做了完整总结介绍。

【技术综述】视频分类/行为识别研究综述，从数据集到方法

数据增强

很多实际的项目，我们都难以有充足的数据来完成任务，要保证完美的完成任务，有两件事情需要做好：(1)寻找更多的数据。(2)充分利用已有的数据进行数据增强，这里就是对当前数据增强方法的综述，覆盖有监督无监督，单样本多样本方法等，数据增强的重要性你越做就越懂。

【技术综述】深度学习中的数据增强方法都有哪些？

另外，关于如何掌握深度学习中数据的使用，也给出了一些建议，知识星球中提供了许多重要资源下载链接。

【杂谈】如何从数据准备，模型设计与调优，训练到部署完成整个深度学习算法流程

图像分割

有三做的时间最久的就是图像分割了，从传统的阈值法，聚类，图割，水平集，到深度学习，这里就是我对图像分割算法的大总结。

【技术综述】闲聊图像分割这件事儿

同时我们也介绍了12大主流的图像分割模型架构，对于做分割的你来说，不可错过。

【完结】12篇文章带你逛遍主流分割网络

接着图像分割综述，我们又总结了弱监督图像分割综述，欢迎继续学习。

【技术综述】基于弱监督深度学习的图像分割方法综述

可视化

深度学习模型是个黑盒子，我们可以从网络结构，权重，训练曲线等各个维度进行可视化来理解它的学习过程和工作机制。

【技术综述】“看透”神经网络

同时，我们还总结了绘制网络结构以及可视化网络结构的方法。

【杂谈】那些酷炫的深度学习网络图怎么画出来的？

【杂谈】一招，同时可视化18个开源框架的网络模型结构和权重

优化目标与评价指标

深度学习模型需要优化目标才能训练，需要评价指标才能正确评估，我们总结了常用的优化目标和评估指标。

【AI初识境】深度学习中常用的损失函数有哪些？

【AI初识境】深度学习模型评估，从图像分类到生成模型

而在其中，softmax loss是我们最熟悉的loss之一了，分类任务中使用它，分割任务中依然使用它。在这里，我们推导它的公式，总结了它的变种，尤其是在人脸识别任务中的应用。

【技术综述】一文道尽softmax loss及其变种

Faster RCNN源代码解读

鉴于网络上目标检测的技术综述太多，我们没有再继续写作，而是解读了最优秀的目标检测框架之一Faster R-CNN， 详细剖析了各个模块的源代码。

【技术综述】万字长文详解Faster RCNN源代码

美学研究

何以为美，从自拍到颜值到通用的美学问题，这是一个永远都没有答案，但是又迷人的话题，一切都才刚刚开始。

【技术综述】计算机审美，学的怎么样了？

自动构图

作为一个摄影爱好者，研究构图是有三的一大乐趣，将AI技术用于构图，更是有着广阔的应用前景，如果你也喜欢，不要错过噢。

【技术综述】深度学习自动构图研究报告

同时，有三AI秋季划也提供了长期交流学习图像质量和美学相关内容的季划，供需要提升的你进行选择。

有三AI秋季划出炉，模型优化，人脸算法，图像质量等24个项目等你来拿

国内AI研究院就业总结

在这个专栏中，我们和大家一起分享了国内12大研究院的背景，从最开始介绍的历史最悠久的微软亚洲研究院，到最后介绍的低调务实的网易人工智能，带大家领略了每个研究院的研究方向，团队情况，欣赏了各大研究院的拳头产品。

【完结】中国12大AI研究院，高调的低调的你pick谁

优秀的深度学习从业者习惯

一个优秀的深度学习从业者，必然是技能全面，擅长学习的人，在这里我们总结了从看论文到写代码，从刷论坛到刷比赛的一系列资源供大家挑选学习，几乎覆盖了所有学习资料和方法，而且还在不断更新。

【完结】优秀的深度学习从业者都有哪些优秀的习惯

知识星球生态

有三AI知识星球是有三AI的重点私密社区，从模型到数据，从机器学习到深度学习，是公众号内容的补充和升华，可以更自由的交流和学习。仅仅模型架构就已经有超过几百期的解读，数据集也已经有上T容量的共享。

【杂谈】有三AI知识星球一周年了！为什么公众号+星球才是完整的？

【杂谈】万万没想到，有三还有个保密的‘朋友圈’，那里面都在弄啥！

其实除了以上综述类的文章，还有一些虽然没有标注为总结或者综述但实际上也是综述的文章，包括图像降噪，人脸的各个领域，已经被包含在各类文章中，就不一一点破了，喜欢的朋友自己去找找吧，这是一个很大的矿。

另外，还有关于公众号的一些非技术文章的总结，有助于了解生态，也欢迎阅读。

生态总结

有三AI原创生态已经很庞大，覆盖技术文章，产品，人才培养等，接下来是一些重要的总结，包括创办初衷，一周年总结，2019年年终总结，人才培养体系（请大家点击图片本身进行阅读）。

现如今我们坚持不接广告，只做原创，系统输出，已经有超过500期文章了，在这里诚意邀请喜欢分享原创内容的同学加入，成为专栏作者，不仅可以督促自己学习，还可以获得个人收入以及平台的资源扶持。

三人行，必有AI，一起发光发热，变得更好！

转载文章请后台联系

侵权必究

• 【AutoML】如何选择最合适的数据增强操作

• 【AutoML】激活函数如何进行自动学习和配置

• 【AutoML】归一化(Normalization)方法如何进行自动学习和配置

• 【AutoML】优化方法可以进行自动搜索学习吗？

• 【AutoML】损失函数也可以进行自动搜索学习吗？

• 【AutoML】如何使用强化学习进行模型剪枝？

• 【AutoML】强化学习如何用于模型量化？

• 【AutoML】强化学习如何用于模型蒸馏？

• 【AutoML】强化学习如何用于自动模型设计(NAS)与优化？

• 【AutoML】当前有哪些可用的AutoML平台？

• 【星球知识卡片】残差网络家族10多个变种学习卡片，请收下！

• 【星球知识卡片】移动端高效率的分组网络都发展到什么程度了？

• 【星球知识卡片】注意力机制发展如何了，如何学习它在各类任务中的应用？

• 【星球知识卡片】模型剪枝有哪些关键技术，如何对其进行长期深入学习

• 【星球知识卡片】模型量化的核心技术点有哪些，如何对其进行长期深入学习

• 【星球知识卡片】模型蒸馏的核心技术点有哪些，如何对其进行长期深入学习