根据个人经验总结的深度学习入门路线（简单快速）
https://blog.csdn.net/weixin_44414948/article/details/109704871
最近一段时间在指导师弟师妹深度学习的入门，在他们学习了一段时间后，布置了以下demo练习。
1：通过调用sklearn的机器学习算法库，在fanwei数据集上实现分类任务，要求使用支持向量机（SVM）分类算法，准确率达到85%以上。
fanwei数据集简介：此数据集为课题组人体骨架节点txt文件，共有0、1两种行为标签。
较好的实现代码如下：https://blog.csdn.net/weixin_44414948/article/details/109865594
#############################分隔符#######################################
2：利用线性回归算法，在波士顿房价数据集上实现预测任务，要求不调用现成的线性回归库函数，利用numpy编写线性回归算法，并通过梯度下降的方式迭代更新线性回归的参数（不直接使用正规方程求解），准确率达到85%以上。
较好的实现代码如下：https://blog.csdn.net/weixin_44414948/article/details/109867247
#############################分隔符#######################################
3：利用深度学习框架（TensorFlow2.0及以上版本、pytorch1.0及以上版本），搭建自定义卷积神经网络，在本地下载好的imageNet数据集上实现图像分类，要求准确率达到70%以上。（注：本任务主要练习本地数据集的读取。）
较好的实现代码如下：https://blog.csdn.net/weixin_44414948/article/details/109868733