《三分钟极速体验：Java版人脸检测》文中用到的模型文件

深度学习模型部署环境docker.zip

风力发电预测 这是根据我的硕士论文进行的一项实验，其主要重点是比较应用于时间序列问题的不同深度学习策略。 这项研究仅集中在循环和卷积体系结构上。 数据 数据由RedesEnergéticasNacionais（REN）收集，并基于葡萄牙电力系统中注入的风力。 从2010年第一天到2016年最后一天，它以15分钟的分辨率进行了采样。所收集的数据适用于与REN遥测系统相连的所有风电场。 数据在data文件夹下。 客观的 主要任务是对产生的风力进行预测。 将要预测三个视野。 一小时，六小时和24小时，这意味着在提前一小时的预测中将预测4分（15、30、45和60分钟）。 演算法 测试了以下体系结构列表： RNN架构[RNN + GRU + LSTM单元] 扩张式递归架构 编码器-解码器体系结构 编码器-解码器+注意系统体系结构 准RNN Wavenet TCN 有关模型的详细说明，请检查链接

浏览器中的深度学习 我尝试了一些用于在浏览器中部署ML模型的框架。 我制作了一个Web应用程序以在Tensorflow.js，WebDNN和ONNX.js中加载和分类图像，并将它们的运行时与不同的后端（WebGL，WASM，CPU）进行了比较。 我还为此写了一篇博客文章，可以与该代码一起作为教程 要求 Node.js（v12 +） 表示 其余的JS库和模型都包含在此存储库中。

在这个综述中，我们讨论了六种不同类型的方法(剪枝、量化、知识蒸馏、参数共享、张量分解和基于线性变压器的方法)来压缩这些模型，使它们能够在实际的工业NLP项目中部署。

自动化论文评分-使用LSTM 深度学习模型，可预测给定输入文章的分数。 数据集来自惠普基金会提供的Kaggle ASAP竞赛。 如果您要进行交互式演示，则mysite文件夹包含Django应用。 性能准确性由二次加权Kappa（QWK）计算，该度量用于衡量两个评估者之间的一致性。 六年前，这项竞赛的执行水平达到了0.82的QWK分数。 我的模型的QWK得分为0.961。 该模型体系结构由2个长期短期记忆（LSTM）层和一个密集输出层组成。 最后一层使用Relu激活功能。 QWK是通过使用5折交叉验证对数据集进行训练的模型计算得出的，并取所有5折的平均值。

利用keras深度学习框架，生成交通标志分类模型h5，转换为tensorflow的深度学习框架pb，在OpenCV中利用dnn调用pb模型并判断交通标志分类

深度学习模型训练部分,包括各项超参数如优化器、学习率迭代次数等介绍,单机多卡及多机多卡训练以及训练可视化，也包括代码示例

使用深度学习的入侵检测系统 使用ISCX 2012 IDS数据集训练的VGG-19深度学习模型 框架和API Tensorflow-GPU 凯拉斯 NVIDIA CUDA工具包9.0 NVIDIA cuDNN 7.0 工具类 Anaconda（Python 3.6） 药香 如何使用 从链接下载ISCX 2012数据集 然后运行名为ISCX FlowMeter的Java程序，该程序可在GitHub上找到。 您可以为此使用任何IDE （如果这不能将.PCAP转换为.XML，请尝试以下操作） 接下来，我要确保您的系统能够运行深度学习软件。 要进行检查，可以按照我创建的本指南进行操作：

场景分类 该项目主要涉及图像分类。 这里的目标是使用深度神经网络将全球场景分类为六种可能的类别之一。 场景分类的应用范围可以从在智能手机中组织照片，通过旅游业规划促进国家经济增长等方面。 数据集是Kaggle提供的英特尔图像分类。 （ ）总共有25,000张图像，其中17,000张被标记为6类，包括建筑物，森林，冰川，山脉，海洋和街道。 使用训练集中的图像对模型进行训练，并预测预测集中的图像类别。 本项目对自训练模型和预训练模型进行了实验，并对所有模型的性能进行了比较和分析。 有关如何运行代码的说明：---- data_prep.py-此文件允许我们加载数据。 vgg16.py vgg19.py res.py inception.py inceptionRes.py-这五个文件使用经过预训练的网络，而不会进行数据扩充。 aug_plots.py-此文件绘制所选图片的增强方式。