非常清晰非常清晰!!!Michael Nielsen 大神的 《Neural Networks and Deep Learning》 网络教程一直是很多如我一样的小白入门深度学习的很好的一本初级教程。不过其原版为英文,对于初期来说我们应该以了解原理和基本用法为主,所以中文版其实更适合初学者。幸好国内有不少同好辛苦翻译了一个不错的中文版本,并且使用 LaTex 进行排版以方便阅读。
2022-04-08 20:39:24 2.85MB 人工智能 机器学习 深度学习 神经网络
1
【重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总-附件资源
2022-04-08 16:07:50 23B
1
针对ImageNet,CIFAR10和MNIST的PyTorch对抗性攻击基准 ImageNet,CIFAR10和MNIST的PyTorch对抗性攻击基准(最先进的攻击比较) 该存储库提供了用于评估各种对抗攻击的简单PyTorch实现。 该存储库显示每个数据集的最新攻击成功率。 该存储库利用了攻击库,例如 , 等。 如果您对此存储库有疑问,请给我发送电子邮件( )或提出问题。 影像网 该存储库提供了一个包含1,000个类的小型ImageNet验证数据集。 该数据集每个班级有5张图像(总计5,000张图像)。 这是ImageNet验证数据集的子集。
2022-04-08 12:29:43 629.38MB deep-learning pytorch mnist imagenet
1
SESF保险丝 SESF-Fuse:用于多焦点图像融合的无监督深度模型 抽象的 在这项工作中,我们提出了一种无监督的深度学习模型来解决多焦点图像融合问题。 首先,我们以无监督的方式训练编码器-解码器体系结构,以获取输入图像的深层特征。 然后,我们利用这些特征和空间频率来测量活动水平,这在多焦点融合任务中起着至关重要的作用。 该方法背后的关键点在于,只有景深(DOF)内的对象在照片中才具有清晰的外观,而其他对象则很可能被模糊。 与以前的工作相比,我们的方法分析的是深层特征的锐利外观,而不是原始图像。 实验结果表明,与现有的16种融合方法相比,该方法在客观和主观评估中均达到了最新的融合性能。 可视化 我们在下图中显示融合结果的可视化。 第一行是近焦点源图像,第二行是远焦点源图像。 第三行是我们方法的决策图,最后一行是融合结果。 分行介绍 我们在该分支机构中提供SESF-Fuse的培训和测试方法
1
乐队 关于 Orchestra是一种乐谱读取器(光学音乐识别( OMR )系统),可将乐谱转换为机器可读版本。 这个怎么运作 我们处理输入表并获取结果的步骤清单 1.消除噪音 2.二值化 3.撤职人员 4.切开的水桶 5.分割与检测 6.认可 切割1 [\ meter <“ 4/4”> d1 / 4 e1 / 32 e2 / 2 e1 / 8 e1 / 16 e1 / 32 {e1 / 4,g1 / 4} e1 / 4 e1 / 8 c1 / 8 g1 / 32 c1 / 16 e1 / 32] 切割2 [\ meter <“ 4/4”> {e1 / 4,g1 / 4,b1 / 4} a1 / 8 d1 / 8 c1 / 16 g1 / 16 d1 / 16 e1 / 16 c2 / 16 g2 / 16 d2 / 16 e2 / 16 {f1 / 4,g1 / 4
1
数据融合_HSI_LiDAR 基于深度学习的HSI和LiDAR图像融合 作者 平台 Ubuntu 14.04 CUDA 8.0 GTX 850M 张量流1.4 python2 / python3 使用卷积神经网络的体系结构 输入-[转换-关联-最大池] x 2-[仿射-关联] x 2-仿射-softmax 档案文件 ./HSI/Load_data.py加载HSI源数据并制作Train / Test文件作为补丁 ./HSI/CNN.py定义CNN参数./HSI/CNN_feed.py训练HSI CNN权重./HSI/run_cnn.py使用预先训练的CNN参数进行HSI分类./HSI/Spatial_dataset.py为处理HSI数据。 ./HSI/Get_feature.py保存最后汇聚层平功能./DSM几乎一样./HSI 结果 接触
1
在本文中,我们将看到如何通过数据扩充来实现相同的结果。
1
Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto Second Edition, in progress MIT Press, Cambridge, MA, 2017
2022-04-07 21:00:55 10.67MB 强化学习
1
流感预报员 基于实验性深度学习和基因型网络的系统,用于预测新的流感蛋白序列。 基本原理 在我任职期间,Flu Forecaster最初是作为Insight Health Data Fellow全面开发的。 预计的业务用例是预测未来的流感株,这将有助于为疫苗的先发制人提供信息。 我们不再需要选择当前正在传播的菌株。 取而代之的是,我们可以预测未来6个月内会出现什么样的菌株,先发制人(使用合成生物学方法)将其合成,并Swift扩大用于流感疫苗的菌株的生产规模。 入门 查看流感预报器 Flu Forecaster托管在,但也可以本地托管。 显示组件和从此GitHub存储库下载数据都需要Interne
2022-04-07 19:30:36 21.58MB flask deep-learning bokeh pymc
1
Machine Learning Refined 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络,如有侵权,请联系上传者或csdn删除 本资源转载自网络,如有侵权,请联系上传者或csdn删除
2022-04-07 19:00:34 30.7MB Machine Learning Refined
1