这是一个关于深度学习（CNN+RNN+LSTM）等的基础知识学习课件。

这是可以用于训练CNN或者RNN等人工智能网络结构的dog数据集。其中包含1000只dog的图片，命名均为.jpg结尾。

这是一个可以用于训练人工智能中的CNN或者RNN等卷积神经网络结构的数据集（熊猫数据集，均为照片格式，.jpg结尾）

卷积神经网络 表情和性别分类 CNN for Emotion and Gender Classification

播放微循环显微仪的实时视频，可以保存图片及短视频到本地硬盘；保存的图片以编号+日期时间命名；回查记录时，以类似资源管理器的方式查看，可以随意比较2张图片。

1. 无缝支持通过TensorFlow训练好的神经网络模型。只需要几个简单的步骤就可以完成桌面模型到移动端模型的转换。 2. TFLite可以与Android 8.1中发布的神经网络API完美配合。而Android端版本演进的控制权是掌握在谷歌手中的，从长期看，TFLite会得到Android系统层面上的支持。 3. 质量有保证。根据以往谷歌对开源项目支持力度看，TFLite的功能迭代演进会很快，大量的bug会在第一时间修复。 此前，国内的巨头百度已经发布了MDL（传送门 ）框架、腾讯发布了NCNN（传送门 ）框架。下面笔者将比较下这三个移动端框架的异同之处。

本文来自于csdn，本文中通过探讨状态空间的利用和探索，来进行人工智能中的强化学习。在有监督学习（supervisedlearning）中，训练数据中包含了数据样本的目标。不过现实中可没有上帝一样的监督者给出这些目标或答案！强化学习（reinforcementlearning）是人工智能（AI）的一个重要分支，它也是DeepMind的阿尔法狗（AplhaGo）得以实现的一块基石。在强化学习中，虽然没有现成的答案，但是代理（agent）仍然必须决定如何行动（action）来完成它自己的任务。在没有训练数据的情况下，代理从经验中学习。它通过反复的试错来收集训练样本（“这个动作很好，那个动作很糟糕”

结合YOLOV3的人体姿势识别算法

【摘要】世纪是网络技术创新和产业改革升级的时代，科学技术的不断发展，刷新了人们的认知，拓宽了人们的眼界。智慧城市在新时代浪潮中应运而生，它成为了时下最热门的词汇

NASA关于涡扇发动机的仿真数据集，以文本形式打包，包含readme文件。可用于人工智能、机器学习等领域。 Engine degradation simulation was carried out using C-MAPSS. Four different were sets simulated under different combinations of operational conditions and fault modes. Records several sensor channels to characterize fault evolution. The data set was provided by the Prognostics CoE at NASA Ames.