使用说明，参考：https://www.jianshu.com/p/8db0dd959897

链接永久有效，将模型解压放入py-faster-rcnn/data即可

Fast RCNN和Faster RCNN代码

CNN_python_卷积神经网络matlab代码_CNN

工程流程 本文档实现了R-CNN算法进行目标检测的完整过程，包括 数据集创建 卷积神经网络训练 分类器训练 边界框回归器训练 目标检测器实现 本仓库最终实现一个汽车类别目标检测器 模块构成 区域建议生成：selectivesearch算法实现，生成类别独立的区域建议 特征提取：卷积神经网络AlexNet实现，从每个区域建议中提取固定长度的特征向量 线性SVM实现，输入特征向量，输出每类成绩 使用类指定的边界框回归器计算候选建议的坐标偏移 非最大抑制方法实现，得到最终的候选建议 关于区域建议算法selectivesearch实现，在训练阶段使用高质量模式，在测试阶段使用快速模式

先决条件： nltk（TweetTokenizer） 凯拉斯张量流麻木科学的gensim（如果您使用的是word2vec） itertools 克隆存储库： git clone ：AniSkywalker / SarcasmDetection.git cd SarcasmDetection / src / 您可以在以下链接中找到经过训练的模型文件 在/ resource / text_model / weights /中下载经过训练的模型 运行脚本： python sarcasm_detection_model_CNN_LSTM_DNN.py 如果要使用自己的数据训练模型，可以将“训练，开发

对 Deep convolutional network cascade for facial point detection[CVPR13]一文的复现，可演示的可执行文件。 目前只实现了第一层。

注意力机制（英語：attention）是人工神经网络中一种模仿认知注意力的技术。这种机制可以增强神经网络输入数据中某些部分的权重，同时减弱其他部分的权重，以此将网络的关注点聚焦于数据中最重要的一小部分。数据中哪些部分比其他部分更重要取决于上下文。可以通过梯度下降法对注意力机制进行训练。 类似于注意力机制的架构最早于1990年代提出，当时提出的名称包括乘法模块（multiplicative module）、sigma pi单元、超网络（hypernetwork）等。注意力机制的灵活性来自于它的“软权重”特性，即这种权重是可以在运行时改变的，而非像通常的权重一样必须在运行时保持固定。注意力机制的用途包括神经图灵机中的记忆功能、可微分神经计算机中的推理任务[2]、Transformer模型中的语言处理、Perceiver（感知器）模型中的多模态数据处理（声音、图像、视频和文本）。人类的注意力机制（Attention Mechanism）是从直觉中得到，它是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段。深度学习中的注意力机制借鉴了人类的注意力思维方式，被广泛的应用在自然语言

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

2.Parallel Processing（并行处理）:如果大家看过我前面分享的一篇集成学习的文章： 集成学习之bagging、boosting及AdaBoos