tensorflow的深度学习案例源代码，基于深度卷积对抗神经网络的fashion-mnist图像生成，内含训练的fashion-mnist数据集。到手解压就可以使用。

分子识别特征（MoRF）是内在无序蛋白（IDP）的关键功能区域，它们在细胞的分子相互作用网络中起重要作用，并与许多严重的人类疾病有关。 鉴定MoRF对于IDP的功能研究和药物设计都是必不可少的。 本研究采用人工智能的前沿机器学习方法，为改进MoRFs预测开发了强大的模型。 我们提出了一种名为en DCNNMoRF（基于集成深度卷积神经网络的MoRF预测器）的方法。 它结合了利用不同特征的两个独立的深度卷积神经网络（DCNN）分类器的结果。 首先，DCNNMoRF1使用位置特定评分矩阵（PSSM）和22种氨基酸相关因子来描述蛋白质序列。 第二种是DCNNMoRF2，它使用PSSM和13种氨基酸索引来描述蛋白质序列。 对于两个单一分类器，都采用了具有新颖的二维注意机制的DCNN，并添加了平均策略以进一步处理每个DCNN模型的输出概率。 最后，en DCNNMoRF通过对两个模型的最终得分进行平均来组合这两个模型。 当与应用于相同数据集的其他知名工具进行比较时，新提出的方法的准确性可与最新方法相媲美。 可以通过http://vivace.bi.a.utokyo.ac.jp:8008/fang

基于改进Fisher准则的深度卷积神经网络识别算法

DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法) 雷亚国团队2018年文章。 机械智能故障诊断的成功依赖于两个条件。1)含有故障信息的有标签数据是可用的。2)训练和测试数据是从相同的概率分布中获取的。然而，对于大部分机械，很难获得大量的有标签数据。此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标

大小位移光流、CLG光流、变分光流、局部全局光流、特征光流、对偶光流、HS光流、LK光流、SOR、Optical Flow、深度卷积特征光流、光流场、金字塔光流、PX4Flow、光流应用、基于特征光流的视频中物体检测、变分光流法在序列图像运动分析中的研究等等

常用深度网络模型,深度卷积网络、深度循环网络，生成对抗网络

用DnCNN网络进行图像去噪。网络中主要使用了批量归一化和ReLU

在我阅读可能不断更改的课题方向的各种论文中，看了这篇论文Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery.pdf ，各类算法比较的好多，认真看了这篇文章，并附上了自己的注释和标记，刚刚接触，理解不深，可能有错误之处，欢迎在评论区批评指正！

Tensorflow implementation of [Deep Convolutional Generative Adversarial Networks](http://arxiv.org/abs/1511.06434) which is a stabilize Generative Adversarial Networks.

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学 习到的高级特征进行 回归训练