被誉为AI圣经的《DEEP LEARNING》中文版，翻译得比较好的版本。

深度学习这本书 中文最新版pdf，更新至2017年9月4日 内容包括机器学习和深度学习的数学基础，深度学习的各个方面

(3条消息) 基于深度学习的自动车牌识别(详细步骤+源码)_Color Space的博客-CSDN博客_基于深度学习车牌识别.html

mnist的MNN模型

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

人类面部表情数据集（12万张表情照片） 一共有7类人类面积表情，分别是：悲伤、高兴、害怕、惊讶、平静、生气、厌恶。一个文件夹一类。表情识别模型训练的很好数据。

用yolov5算法实现摔倒行为检测识别，模型已经训练完毕，存放路径在runs/train目录下，模型可以直接拿来使用，相应的训练参数见runs/train下面的相应图形，检测效果见runs/detect目录下。可以用来做异常行为或者智能守护中的摔倒行为检测等应用。

这本书适合那些不仅仅满足于C语言皮毛的同仁阅读。

语音质量评价matlab代码深度转换 深度卷积神经网络用于音乐源分离 该存储库包含用于数据生成，预处理和特征计算的类，可用于训练具有不适合内存的大型数据集的神经网络。 此外，您可以从中找到用于查询乐器声音样本的类。 在“示例”文件夹中，您可以找到上述类的使用案例，以了解音乐源分离的情况。 我们提供用于特征计算（STFT）和用于训练卷积神经网络以进行音乐源分离的代码：使用数据集iKala数据集唱歌语音源分离，使用DSD100数据集进行语音，低音，鼓分离，用于大鼓，单簧管，萨克斯风和小提琴的编码。 当原始分数可用时，后面的例子是使用RWC乐器声音数据库中的乐器样本训练神经网络的好例子。 在“评估”文件夹中，您可以找到基于Matlab的代码来评估分离质量。 为了训练神经网络，我们使用和。 我们使用已经训练有素的模型来完成不同任务，提供分离代码。 在examples / dsd100 / separate_dsd.py中将音乐分离为人声，贝斯，鼓和伴奏： python separate_dsd.py -i -o -m <path_to_model

《1天搞懂深度学习》，300多页的ppt，台湾李宏毅教授写的，非常棒。 不夸张地说，是我看过最系统，也最通俗易懂的，关于深度学习的文章。