matlab的egde源代码mstar_deeplearning_project 该资源库是我的毕业项目，涉及使用深度学习方法在公共MSTAR上对雷达目标进行分类，检测和识别。 主要框架基于caffe和fast-rcnn，使用matlab接口进行了一些修改。 此外，最近还有一个关于我的毕业设计的文章，涉及FPGA上的网络加速。 先决条件 该项目应该在win7或更高版本上运行。 在运行项目之前，请检查您的PC是否支持Nvidia GPU计算以及6.1的计算功能（如GTX1080和cuda v8.0）以及某个更高版本的Matlab（如Matlab 2015b）。 此外，还需要python3.5，我建议您直接安装Anaconda3-4.2.0-Windows-x86_64.exe并将其添加到系统路径。 由于存储库是发行版本，因此不需要其他安装和编译。 您还可以通过编译和自行进行更改。 git clone :hunterlew/mstar_deeplearning_project.git 分类 工作的第一部分集中在标准MSTAR数据集上的10类雷达目标分类上。 为了避免过拟合，我使用随机裁剪完

在CIFAR-10数据集上训练的PyTorch模型 我修改了官方实施的流行CNN模型，并对CIFAR-10数据集进行了训练。 我在原始代码中更改了类的数量，过滤器大小，步幅和填充，以便它可以与CIFAR-10一起使用。 我也共享这些模型的权重，因此您只需加载权重并使用它们即可。 通过使用PyTorch-Lightning，该代码具有很高的可复制性和可读性。 支持模型的统计 不。 模型 值累积 否。参数 尺寸 1个 vgg11_bn 92.39％ 28.150百万 108兆字节 2个 vgg13_bn 94.22％ 28.334百万 109兆字节 3 vgg16_bn 94.00％ 33.647百万 129兆字节 4 vgg19_bn 93.95％ 38.959百万 149兆字节 5 网路18 93.07％ 11.174百万 43兆字节 6 资源34 9

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站

内容为Coursera平台上DeepLearning系列第一课PPT合集，全部已转为PDF格式方便使用，同时也包括部分官方提供的笔记。可以用来方便复习内容和查阅。

LRS2数据集的预训练文件列表

吴恩达deeplearning课后作业Course_1代码.zip

吴恩达DeepLearning课后作业Course_2代码.zip

Deep Learning and Parallel Computing Environment for Bioengineering Systems

吴恩达Coursera深度学习课程 deeplearning.ai (1-4) 深层神经网络--作业（可执行源码）

Coursera上的深度学习专业化（由deeplearning.ai提供） deeplearning.ai提供的Coursera所有课程的编程作业和测验。 授课老师： 笔记 有关Coursera深度学习专业中所有课程的详细面试准备笔记，请 设置 运行setup.sh以（i）下载经过预先​​训练的VGG-19数据集，并（ii）提取所有分配所需的经过z​​ip压缩的经过预先训练的模型和数据集。 学分 此仓库包含我针对该专业的工作。除非另有说明，否则代码库，测验问题和图表均取自的“ 。 编程作业 课程1：神经网络与深度学习 课程2：改善深度神经网络：超参数调整，正则化和优化 课程3：构建机器学习项目 此课程没有PA。但是本课程附带了非常有趣的案例研究测验（如下）。 课程4：卷积神经网络 课程5：序列模型 测验解决方案 课程1：神经网络与深度学习 第1周测验-深度学习简介： | 第2周测验-神经