深度学习已经在语音识别、机器翻译、图像目标检测和聊天机器人等许多领域百花齐放。近日，GitHub 用户 Simon Brugman 发布了一个按任务分类的深度学习论文项目，其按照不同的任务类型列出了一些当前最佳的论文和对起步有用的论文。机器之心对该项目进行了简单的编译介绍并为部分机器之心报道过的论文加上了相关文章的链接。并同时在文后附带了机器之心曾经发布过的其它论文列表，希望能有助于你的学习和研究。
目录
1. 文本
1.1. 代码生成（Code Generation）
1.2. 情感分析（Sentiment Analysis）
1.3. 翻译（Translation）
1.4. 分类（Classification）
2. 视觉
2.1. 游戏（Gaming）
2.2. 风格迁移（Style Transfer）
2.3. 跟踪（Tracking）
2.4. 图像分割（Image Segmentation）
2.5. 室外的文本识别（Text (in the Wild) Recognition）
2.6. 脑机接口（Brain Computer Interfacing）
2.7. 自动驾驶汽车（Self-Driving Cars）
2.8. 目标识别（Object Recognition）
2.9. 标识识别（Logo Recognition）
2.10. 超分辨率（Super Resolution）
2.11. 姿态估计（Pose Estimation）
2.12. 图像描述（Image Captioning）
2.13. 图像压缩（Image Compression）
2.14. 图像合成（Image Synthesis）
2.15. 面部识别（Face Recognition）
3. 音频
3.1. 音频合成（Audio Synthesis）
4. 其它
4.1. 未分类
4.2. 正则化（Regularization）
4.3. 神经网络压缩（Neural Network Compression）
4.4. 优化器（Optimizers）
文本
代码生成（Code Generation）
1.A Syntactic Neural Model for General-Purpose Code Generation
时间：2017 年 4 月 6 日
地址：https://arxiv.org/pdf/1704.01696
2.RobustFill: Neural Program Learning under Noisy I/O
时间：2017 年 3 月 21 日
地址：https://arxiv.org/pdf/1703.07469
解读：《微软RobustFill：无需编程语言，让神经网络自动生成程序》
3.DeepCoder: Learning to Write Programs
时间：2016 年 11 月 7 日
地址：https://arxiv.org/pdf/1611.01989
解读：《学界 | 剑桥与微软提交ICLR 2017论文提出DeepCoder：组合其它程序代码生成新程序》
4.Neuro-Symbolic Program Synthesis
时间：2016 年 11 月 6 日
地址：https://arxiv.org/pdf/1611.01855
情感分析（Sentiment Analysis）
1.Rationalizing Neural Predictions
时间：2016 年 6 月 13 日
地址：https://arxiv.org/pdf/1606.04155
2.Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank
时间：2013 年 10 月 18 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/recursive-deep-models-for-semantic-compositionality-over-a-sentiment-treebank.pdf
翻译（Translation）
1.Google's Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation
时间：2016 年 11 月 14 日
地址：https://arxiv.org/pdf/1611.04558
解读：《重磅 | 谷歌神经机器翻译再突破：实现高质量多语言翻译和zero-shot翻译（附论文）》
2.Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation
时间：2016 年 9 月 26 日
地址：https://arxiv.org/pdf/1609.08144
解读：《重磅 | 谷歌翻译整合神经网络：机器翻译实现颠覆性突破（附论文）》
分类（Classification）
1.A Simple but Tough-to-Beat Baseline for Sentence Embeddings
时间：2016 年 11 月 4 日
地址：https://openreview.net/pdf?id=SyK00v5xx
2.From Word Embeddings To Document Distances
时间：2016 年 7 月 6 日
地址：http://proceedings.mlr.press/v37/kusnerb15.pdf
3.Character-level Convolutional Networks for Text Classification
时间：2015 年 9 月 4 日
地址：https://arxiv.org/pdf/1509.01626
4.GloVe: Global Vectors for Word Representation
时间：2015 年 5 月 25 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/glove-global-vectors-for-word-representation.pdf
5.Distributed Representations of Sentences and Documents
时间：2014 年 5 月 16 日
地址：https://arxiv.org/pdf/1405.4053
6.Efficient Estimation of Word Representations in Vector Space
时间：2013 年 1 月 16 日
地址：https://arxiv.org/pdf/1301.3781
视觉
游戏（Gaming）
1.Phase-Functioned Neural Networks for Character Control
时间：2017 年 5 月 1 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/phase-functioned-neural-networks-for-character-control.pdf
2.Equivalence Between Policy Gradients and Soft Q-Learning
时间：2017 年 4 月 21 日
地址：https://arxiv.org/pdf/1704.06440
3.Beating Atari with Natural Language Guided Reinforcement Learning
时间：2017 年 4 月 18 日
地址：https://arxiv.org/pdf/1704.05539
4.Learning from Demonstrations for Real World Reinforcement Learning
时间：2017 年 4 月 12 日
地址：https://arxiv.org/pdf/1704.03732
5.FeUdal Networks for Hierarchical Reinforcement Learning
时间：2017 年 3 月 3 日
地址：https://arxiv.org/pdf/1703.01161
6.Overcoming catastrophic forgetting in neural networks
时间：2016 年 12 月 2 日
地址：https://arxiv.org/pdf/1612.00796
解读：《为机器赋予记忆：DeepMind重磅研究提出弹性权重巩固算法》
7.DeepChess: End-to-End Deep Neural Network for Automatic Learning in Chess
时间：2015 年 8 月 16 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/deepchess-end-to-end-deep-neural-network-for-automatic-learning-in-chess.pdf
8.Dueling Network Architectures for Deep Reinforcement Learning
时间：2015 年 11 月 20 日
地址：https://arxiv.org/pdf/1511.06581
9.Human-level control through deep reinforcement learning
时间：2015 年 2 月 26 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/human-level-control-through-deep-reinforcement-learning.pdf
10.Playing Atari with Deep Reinforcement Learning
时间：2013 年 12 月 19 日
地址：https://arxiv.org/pdf/1312.5602
风格迁移（Style Transfer）
1.Deep Photo Style Transfer
时间：2017 年 3 月 22 日
地址：https://arxiv.org/pdf/1703.07511
解读：《资源 | 下一代PS工具：Adobe照片级图像风格转换的Torch实现》
2.Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization
时间：2017 年 3 月 20 日
地址：https://arxiv.org/pdf/1703.06868
开源项目：https://github.com/xunhuang1995/AdaIN-style
3.A Learned Representation For Artistic Style
时间：2016 年 10 月 24 日
地址：https://arxiv.org/pdf/1610.07629
4.Instance Normalization: The Missing Ingredient for Fast Stylization
时间：2016 年 7 月 27 日
地址：https://arxiv.org/pdf/1607.08022
5.Perceptual Losses for Real-Time Style Transfer and Super-Resolution
时间：2016 年 3 月 27 日
地址：https://arxiv.org/pdf/1603.08155
开源项目：http://github.com/jcjohnson/fast-neural-style
6.A Neural Algorithm of Artistic Style
时间：2015 年 8 月 26 日
地址：https://arxiv.org/pdf/1508.06576
开源项目：https://github.com/lengstrom/fast-style-transfer/
跟踪（Tracking）
1.End-to-end representation learning for Correlation Filter based tracking
时间：2017 年 4 月 20 日
地址：https://arxiv.org/pdf/1704.06036
开源项目：https://github.com/bertinetto/cfnet
图像分割（Image Segmentation）
1.SfM-Net: Learning of Structure and Motion from Video
时间：2017 年 4 月 25 日
地址：https://arxiv.org/pdf/1704.07804
2.Mask R-CNN
时间：2017 年 3 月 20 日
地址：https://arxiv.org/pdf/1703.06870
解读：《学界 | Facebook新论文提出通用目标分割框架Mask R-CNN：更简单更灵活表现更好》和《深度 | 用于图像分割的卷积神经网络：从R-CNN到Mark R-CNN》
3.Learning Features by Watching Objects Move
时间：2016 年 12 月 19 日
地址：https://arxiv.org/pdf/1612.06370
4.Fully Convolutional Networks for Semantic Segmentation
时间：2016 年 5 月 20 日
地址：https://arxiv.org/pdf/1605.06211
5.Instance-aware Semantic Segmentation via Multi-task Network Cascades
时间：2015 年 12 月 14 日
地址：https://arxiv.org/pdf/1512.04412
6.Multi-Scale Context Aggregation by Dilated Convolutions
时间：2015 年 11 月 23 日
地址：https://arxiv.org/pdf/1511.07122
7.SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
时间：2015 年 11 月 2 日
地址：https://arxiv.org/pdf/1511.00561
8.Learning Rich Features from RGB-D Images for Object Detection and Segmentation
时间：2014 年 7 月 22 日
地址：https://arxiv.org/pdf/1407.5736
室外的文本识别（Text (in the Wild) Recognition）
1.OCR Error Correction Using Character Correction and Feature-Based Word Classification
时间：2016 年 4 月 21 日
地址：https://arxiv.org/pdf/1604.06225
2.Recursive Recurrent Nets with Attention Modeling for OCR in the Wild
时间：2016 年 5 月 9 日
地址：https://arxiv.org/pdf/1603.03101
3.COCO-Text: Dataset and Benchmark for Text Detection and Recognition in Natural Images
时间：2016 年 1 月 26 日
地址：https://arxiv.org/pdf/1601.07140
4.Efficient Scene Text Localization and Recognition with Local Character Refinement
时间：2015 年 4 月 14 日
地址：https://arxiv.org/pdf/1504.03522
5.Reading Text in the Wild with Convolutional Neural Networks
时间：2014 年 12 月 4 日
地址：https://arxiv.org/pdf/1412.1842
6.Synthetic Data and Artificial Neural Networks for Natural Scene Text Recognition
时间：2014 年 6 月 9 日
地址：https://arxiv.org/pdf/1406.2227
脑机接口（Brain Computer Interfacing）
1.Encoding Voxels with Deep Learning
时间：2015 年 12 月 2 日
地址：http://www.jneurosci.org/content/jneuro/35/48/15769.full.pdf
2，Deep Neural Networks Reveal a Gradient in the Complexity of Neural Representations across the Ventral Stream
时间：2015 年 7 月 8 日
地址：http://www.jneurosci.org/content/jneuro/35/27/10005.full.pdf
自动驾驶汽车（Self-Driving Cars）
1.Computer Vision for Autonomous Vehicles: Problems, Datasets and State-of-the-Art
时间：2017 年 4 月 18 日
地址：https://arxiv.org/pdf/1704.05519
解读：《重磅 | 自动驾驶计算机视觉研究综述：难题、数据集与前沿成果（附67页论文下载）》
2.End to End Learning for Self-Driving Cars
时间：2016 年 4 月 25 日
地址：https://arxiv.org/pdf/1604.07316
目标识别（Object Recognition）
1.Introspective Classifier Learning: Empower Generatively
时间：2017 年 4 月 25 日
地址：https://arxiv.org/pdf/1704.07816
2.Learning Chained Deep Features and Classifiers for Cascade in Object Detection
时间：2017 年 2 月 23 日
地址：https://arxiv.org/pdf/1702.07054
3.DSSD : Deconvolutional Single Shot Detector
时间：2017 年 1 月 23 日
地址：https://arxiv.org/pdf/1701.06659
4.YOLO9000: Better, Faster, Stronger
时间：2016 年 12 月 25 日
地址：https://arxiv.org/pdf/1612.08242
开源项目：https://github.com/pjreddie/darknet
5.Feature Pyramid Networks for Object Detection
时间：2016 年 12 月 9 日
地址：https://arxiv.org/pdf/1612.03144
6.Speed/accuracy trade-offs for modern convolutional object detectors
时间：2016 年 11 月 30 日
地址：https://arxiv.org/pdf/1611.10012
7.Aggregated Residual Transformations for Deep Neural Networks
时间：2016 年 11 月 16 日
地址：https://arxiv.org/pdf/1611.10012
8.Aggregated Residual Transformations for Deep Neural Networks
时间：2016 年 11 月 16 日
地址：https://arxiv.org/pdf/1611.05431
9.Hierarchical Object Detection with Deep Reinforcement Learning
时间：2016 年 11 月 11 日
地址：https://arxiv.org/pdf/1611.03718
10.Xception: Deep Learning with Depthwise Separable Convolutions
时间：2016 年 10 月 7 日
地址：https://arxiv.org/pdf/1610.02357
11.Learning to Make Better Mistakes: Semantics-aware Visual Food Recognition
时间：2016 年 10 月 1 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/learning-to-make-better-mistakes-semantics-aware-visual-food-recognition.pdf
12.Densely Connected Convolutional Networks
时间：2016 年 8 月 25 日
地址：https://arxiv.org/pdf/1608.06993
13.Residual Networks of Residual Networks: Multilevel Residual Networks
时间：2016 年 8 月 9 日
地址：https://arxiv.org/pdf/1608.02908
14.Context Matters: Refining Object Detection in Video with Recurrent Neural Networks
时间：2016 年 7 月 15 日
地址：https://arxiv.org/pdf/1607.04648
15.R-FCN: Object Detection via Region-based Fully Convolutional Networks
时间：2016 年 5 月 20 日
地址：https://arxiv.org/pdf/1605.06409
16.Training Region-based Object Detectors with Online Hard Example Mining
时间：2016 年 4 月 12 日
地址：https://arxiv.org/pdf/1604.03540
17.T-CNN: Tubelets with Convolutional Neural Networks for Object Detection from Videos
时间：2016 年 4 月 9 日
地址：https://arxiv.org/pdf/1604.02532
18.Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
时间：2016 年 2 月 23 日
地址：https://arxiv.org/pdf/1602.07261
19.Deep Residual Learning for Image Recognition
时间：2015 年 12 月 10 日
地址：https://arxiv.org/pdf/1512.03385
20.SSD: Single Shot MultiBox Detector
时间：2015 年 12 月 8 日
地址：https://arxiv.org/pdf/1512.02325
21.ParseNet: Looking Wider to See Better
时间：2015 年 6 月 15 日
地址：https://arxiv.org/pdf/1506.04579
22.You Only Look Once: Unified, Real-Time Object Detection
时间：2015 年 6 月 8 日
地址：https://arxiv.org/pdf/1506.02640
23.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
时间：2015 年 6 月 4 日
地址：https://arxiv.org/pdf/1506.01497
24.Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
时间：2015 年 2 月 6 日
地址：https://arxiv.org/pdf/1502.01852
25.Deep Image: Scaling up Image Recognition
时间：2015 年 1 月 13 日
地址：https://arxiv.org/pdf/1501.02876
26.Rich feature hierarchies for accurate object detection and semantic segmentation
时间：2013 年 11 月 11 日
地址：https://arxiv.org/pdf/1311.2524
27.Selective Search for Object Recognition
时间：2013 年 3 月 11 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/selective-search-for-object-recognition.pdf
28.ImageNet Classification with Deep Convolutional Neural Networks
时间：2012 年 12 月 3 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/imagenet-classification-with-deep-convolutional-neural-networks.pdf
标识识别（Logo Recognition）
1.Deep Learning Logo Detection with Data Expansion by Synthesising Context
时间：2016 年 12 月 29 日
地址：https://arxiv.org/pdf/1612.09322
2.Automatic Graphic Logo Detection via Fast Region-based Convolutional Networks
时间：2016 年 4 月 20 日
地址：https://arxiv.org/pdf/1604.06083
3.LOGO-Net: Large-scale Deep Logo Detection and Brand Recognition with Deep Region-based Convolutional Networks
时间：2015 年 11 月 8 日
地址：https://arxiv.org/pdf/1511.02462
4.DeepLogo: Hitting Logo Recognition with the Deep Neural Network Hammer
时间：2015 年 10 月 7 日
地址：https://arxiv.org/pdf/1510.02131
超分辨率（Super Resolution）
1.Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network
时间：2016 年 9 月 16 日
地址：https://arxiv.org/pdf/1609.05158
2.Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
时间：2016 年 9 月 15 日
地址：https://arxiv.org/pdf/1609.04802
3.RAISR: Rapid and Accurate Image Super Resolution
时间：2016 年 6 月 3 日
地址：https://arxiv.org/pdf/1606.01299
4.Perceptual Losses for Real-Time Style Transfer and Super-Resolution
时间：2016 年 3 月 27 日
地址：https://arxiv.org/pdf/1603.08155
开源项目：http://github.com/jcjohnson/fast-neural-style
5.Image Super-Resolution Using Deep Convolutional Networks
时间：2014 年 12 月 31 日
地址：https://arxiv.org/pdf/1501.00092
姿态估计（Pose Estimation）
1.Forecasting Human Dynamics from Static Images
时间：2017 年 4 月 11 日
地址：https://arxiv.org/pdf/1704.03432
2.Fast Single Shot Detection and Pose Estimation
时间：2016 年 9 月 19 日
地址：https://arxiv.org/pdf/1609.05590
图像描述（Image Captioning）
1.Detecting and Recognizing Human-Object Interactions
时间：2017 年 4 月 24 日
地址：https://arxiv.org/pdf/1704.07333
2.Deep Reinforcement Learning-based Image Captioning with Embedding Reward
时间：2017 年 4 月 12 日
地址：https://arxiv.org/pdf/1704.03899
3.Generation and Comprehension of Unambiguous Object Descriptions
时间：2015 年 11 月 7 日
地址：https://arxiv.org/pdf/1511.02283
4.Long-term Recurrent Convolutional Networks for Visual Recognition and Description
时间：2014 年 11 月 17 日
地址：https://arxiv.org/pdf/1411.4389
图像压缩（Image Compression）
1.Full Resolution Image Compression with Recurrent Neural Networks
时间：2016 年 8 月 18 日
地址：https://arxiv.org/pdf/1608.05148
解读：《详解谷歌神经网络图像压缩技术：如何高质量地将图像压缩得更小》
图像合成（Image Synthesis）
1.A Neural Representation of Sketch Drawings
时间：2017 年 4 月 11 日
地址：https://arxiv.org/pdf/1704.03477
2.BEGAN: Boundary Equilibrium Generative Adversarial Networks
时间：2017 年 3 月 31 日
地址：https://arxiv.org/pdf/1703.10717
开源项目：https://github.com/carpedm20/BEGAN-tensorflow
3.Improved Training of Wasserstein GANs
时间：2017 年 3 月 31 日
地址：https://arxiv.org/pdf/1704.00028
4.Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
时间：2017 年 3 月 30 日
地址：https://arxiv.org/pdf/1703.10593
开源项目：https://github.com/junyanz/CycleGAN
解读：《学界 | 让莫奈画作变成照片：伯克利图像到图像翻译新研究》
5.RenderGAN: Generating Realistic Labeled Data
时间：2016 年 11 月 4 日
地址：https://arxiv.org/pdf/1611.01331
6.Conditional Image Generation with PixelCNN Decoders
时间：2016 年 6 月 16 日
地址：https://arxiv.org/pdf/1606.05328
7.Pixel Recurrent Neural Networks
时间：2016 年 1 月 25 日
地址：https://arxiv.org/pdf/1601.06759
面部识别（Face Recognition）
1.Accessorize to a Crime: Real and Stealthy Attacks on State-of-the-Art Face Recognition
时间：2016 年 10 月 24 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/accessorize-to-a-crime-real-and-stealthy-attacks-on-state-of-the-art-face-recognition.pdf
2.OpenFace: A general-purpose face recognition library with mobile applications
时间：2016 年 6 月 1 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/openface-a-general-purpose-face-recognition-library-with-mobile-applications.pdf
3.Emotion Recognition in the Wild via Convolutional Neural Networks and Mapped Binary Patterns
时间：2015 年 11 月 9 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/emotion-recognition-in-the-wild-via-convolutional-neural-networks-and-mapped-binary-patterns.pdf
4.Deep Face Recognition
时间：2015 年 9 月 11 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/deep-face-recognition.pdf
5.Compact Convolutional Neural Network Cascade for Face Detection
时间：2015 年 8 月 6 日
地址：https://arxiv.org/pdf/1508.01292
6.Learning Robust Deep Face Representation
时间：2015 年 7 月 17 日
地址：https://arxiv.org/pdf/1507.04844
7.Facenet: A unified embedding for face recognition and clustering
时间：2015 年 6 月 12 日
地址： https://github.com/sbrugman/deep-learning-papers/blob/master/papers/facenet-a-unified-embedding-for-face-recognition-and-clustering.pdf
8.Multi-view Face Detection Using Deep Convolutional Neural Networks
时间：2015 年 2 月 10 日
地址：https://arxiv.org/pdf/1502.02766
音频
音频合成（Audio Synthesis）
1.A Neural Parametric Singing Synthesizer
时间：2017 年 4 月 12 日
地址：https://arxiv.org/pdf/1704.03809
2.Neural Audio Synthesis of Musical Notes with WaveNet Autoencoders
时间：2017 年 4 月 5 日
地址：https://arxiv.org/pdf/1704.01279
开源项目：https://github.com/tensorflow/magenta/tree/master/magenta/models/nsynth
解读：《谷歌大脑&DeepMind：NSynth神经音乐合成器，生成超逼真乐器声音》
3.Tacotron: Towards End-to-End Speech Synthesis
时间：2017 年 3 月 29 日
地址：https://arxiv.org/pdf/1703.10135
解读：《学界 | 谷歌全端到端语音合成系统Tacotron：直接从字符合成语音》
4.Deep Voice: Real-time Neural Text-to-Speech
时间：2017 年 2 月 25 日
地址：https://arxiv.org/pdf/1702.07825
解读：《业界 | 百度提出 Deep Voice：实时的神经语音合成系统》
5.WaveNet: A Generative Model for Raw Audio
时间：2016 年 9 月 12 日
地址：https://arxiv.org/pdf/1609.03499
开源项目：https://github.com/ibab/tensorflow-wavenet
解读：《重磅 | DeepMind最新生成模型WaveNet，将机器合成语音水平与人类差距缩小50%（附论文）》
其它
未分类
1.Who Said What: Modeling Individual Labelers Improves Classification
时间：2017 年 3 月 26 日
地址：https://arxiv.org/pdf/1703.08774
2.Semi-supervised Knowledge Transfer for Deep Learning from Private Training Data
时间：2016 年 10 月 18 日
地址：https://arxiv.org/pdf/1610.05755
3.DeepMath - Deep Sequence Models for Premise Selection
时间：2016 年 6 月 14 日
地址：https://arxiv.org/pdf/1606.04442
4.Long Short-Term Memory
时间：1997 年 11 月 15 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/long-short-term-memory.pdf
扩展：《干货 | 图解LSTM神经网络架构及其11种变体（附论文）》
正则化（Regularization）
1.Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning
时间：2015 年 6 月 6 日
地址：https://arxiv.org/pdf/1506.02142
2.Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
时间：2015 年 2 月 11 日
地址：https://arxiv.org/pdf/1502.03167
神经网络压缩（Neural Network Compression）
1.SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
时间：2016 年 2 月 24 日
地址：https://arxiv.org/pdf/1602.07360
2.Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding
时间：2015 年 10 月 1 日
地址：https://arxiv.org/pdf/1510.00149
优化器（Optimizers）
1.Adam: A Method for Stochastic Optimization
时间：2014 年 12 月 22 日
地址：https://arxiv.org/pdf/1412.6980
2.Deep learning with Elastic Averaging SGD
时间：2014 年 12 月 20 日
地址：https://arxiv.org/pdf/1412.6651
3.ADADELTA: An Adaptive Learning Rate Method
时间：2012 年 12 月 22 日
地址：https://arxiv.org/pdf/1212.5701
4.Advances in Optimizing Recurrent Networks
时间：2012 年 12 月 4 日
地址：https://arxiv.org/pdf/1212.0901
5.Efficient Backprop
时间：1998 年 7 月 1 日
地址：https://github.com/sbrugman/deep-learning-papers/blob/master/papers/efficient-backprop.pdf
机器之心发布的其它值得关注的论文和文章列表：
资源 | 如何开启深度学习之旅？这三大类125篇论文为你导航（附资源下载）
学界 | 2010-2016年被引用次数最多的深度学习论文（附下载）
原文链接：https://github.com/sbrugman/deep-learning-papers
「点击报名」参与机器之心 GMIS 2017 ↓↓↓
