2.5 图像分割；地址：https://github.com/MarvinTeichmann/tensorflow-fcn

2.6 使用SSD的对象检测；地址：https://github.com/balancap/SSD-Tensorflow
对象检测的最快(也是最简单的)模型之一。



2.7 用于对象检测和分割的快速蒙版RCNN；地址：https://github.com/CharlesShang/FastMaskRCNN

2.8 强化学习；地址：https://github.com/dennybritz/reinforcement-learning
非常有用的东西，特别是在你想要创建一个机器人或下一个Dota AI上的时候。

2.9 谷歌大脑团队的Magenta项目；地址：https://github.com/tensorflow/magenta/tree/master/magenta/models
这个项目的目的是在神经网络的帮助下创造出引人注目的艺术和音乐作品，它的结果通常都是非常惊人的。

2.10 深度双边学习实时图像增强；地址：https://groups.csail.mit.edu/graphics/hdrnet/
这里包含了谷歌图片增强的新算法。



2.11 自驾车项目；地址：https://github.com/udacity/self-driving-car
想让你的车完全自动吗? -这是一个很好的学习起点。

3.常见问题解答

如果你在问题上卡住了怎么办?
首先，你必须知道机器学习并不是100%准确的——大多数情况只是一个很好的猜测和大量的调优迭代。因此，在大多数情况下，想出一些独特的见解是非常困难的，因为你将花费大量的时间和资源在训练模型上。所以，不要试图自己找到解决办法。

这有一些网站可以帮助你解决一些问题:

http://www.gitxiv.com/

http://www.arxiv-sanity.com/

https://arxiv.org/,https://stackoverflow.com

我在哪里可以找到新的学习材料?
我使用http://www.gitxiv.com/，http://www.arxiv-sanity.com/还有 https://arxiv.org/这三个网站。gitxiv这个网站不仅可以找到论文，而且还能找到相关代码，因此它对学习者来说更加实用。



我应该使用云或PC/笔记本电脑来计算吗?
云是最适合用于生产模型的密集计算。对于学习和测试，使用CUDA显卡的PC/笔记本电脑要便宜得多。例如，我在我的GTX GeForce 960M和690CUDA内核的笔记本电脑上训练所有模型的。当然，如果你有云的话，你可以使用它。

如何提高模型的超参数的调优?
训练的主要问题是时间。你不能只是坐在那里看训练数据。出于这个原因，我建议你使用网格搜索（Grid Search）。基本上，只需创建超参数和模型架构的集合，然后在流中运行它们，从而保存结果。因此，你可以在晚上进行训练，并在第二天比较结果，然后找到最良好的那个。

你可以在sklearn库看到这个过程是如何完成的，地址：http://scikit-learn.org/stable/modules/grid_search.html