最后还要宣传一下，Stanford NLP 组搞了一个基于 docker 的实验平台，非常方便地公开了一切实验过程、数据、代码，方便别人重现实验结果。
本文相关的实验在：
https://worksheets.codalab.org/worksheets/0xc86d3ebe69a3427d91f9aaa63f7d1e7d/

自然语言理解-从规则到深度学习
https://mp.weixin.qq.com/s/Ks9BVr6YC-naX2-iadI78w
摘要： 自然语言理解是人工智能的核心难题之一，也是目前智能语音交互和人机对话的核心难题。之前写过一篇文章自然语言理解，介绍了当时NLU的系统方案，感兴趣的可以再翻一番，里面介绍过的一些内容不再赘述。本文详细讨论了自然语言理解的难点，并进一步针对自然语言理解的两个核心问题，详细介绍了规则方法和深度学习的应用。

ACL 2017 一个关于对话系统的 tutorial，总结得还比较全

This work conducts an exploration into algorithms
specifically suitable for processing implicit feedback. It
reflects some of the major lessons and developments that were achieved while we built a TV shows recommender engine. http://yifanhu.net/PUB/cf.pdf 🐱 so... just pick up?

【课程】从Python到TensorFlow，精通深度学习
http://www.bilibili.com/video/av14450667/
99p 的投稿（

浅析 Hinton 最近提出的 Capsule 计划
https://zhuanlan.zhihu.com/p/29435406
算是……科普？各种背景的同学应该都会看得比较爽的一篇文章

广告一则，需要找工作的同学可以来（

https://dashee87.github.io/data%20science/deep%20learning/visualising-activation-functions-in-neural-networks/
Webkit 浏览器访问最佳

虚构的对抗，GAN with the wind
https://mp.weixin.qq.com/s/7O0AKIUVYK7HRyvdRbUVkg
详细推导见对应论文
https://arxiv.org/abs/1710.05488

Gumbel-Max trick, Perturb and MAP and more
http://www.cnblogs.com/alexdeblog/p/4118181.html

一个使用 Gumbel-Max 来为 multinomial 采样的 trick，理论推导及意义见上文，代码实现如下：
http://timvieira.github.io/blog/post/2014/07/31/gumbel-max-trick/

与重参数化相结合可以得到一些结果：
Categorical Reparameterization with Gumbel-Softmax
https://arxiv.org/abs/1611.01144

https://www.douban.com/doubanapp/dispatch?uri=/note/65095757/&dt_ref=02B380E3F459AA448E530105625086E9AD369D659148A6493608ED479712DE414DF04AB726CF3548&dt_dapp=1
《了解豆瓣团队必看》索引贴

Tutorial on Deep Generative Models
by Shakir Mohamed and Danilo Rezende from DeepMind

GAN and VAE from an Optimal Transport Point of View
https://arxiv.org/abs/1706.01807
一个从几何角度来联系两个时髦生成模型的短文，简单地说，VAE 是最优传输的一个原问题特例，而 WGAN 是最优传输的对偶问题的特例。

这个话题也有一个中文介绍，作者为顾险峰老师，发表在《中国人工智能学会通讯》今年第5期上。

https://reiinakano.github.io/gan-playground/

GAN Playground - Explore Generative Adversarial Nets in your Browser
https://github.com/reiinakano/gan-playground