Neural Networks and Deep Learning - 神经网络与深度学习 中英两个版本文件- 完美排版

MPI and neural Rendering

A White Paper on Neural Network Quantization-2106.08295 MQBench Towards Reproducible and Deployable INTEGER QUANTIZATION FOR DEEP LEARNING INFERENCE PRINCIPLES AND EMPIRICAL EVALUATION-2004.09602 Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342Quantizing deep convolutional networks for-1806.08342

伊维斯 ivis算法的实现，如论文中描述。 Ivis被设计为使用在三胞胎上训练的暹罗神经网络来减少非常大的数据集的维数。 支持无监督和受监督模式。 安装 Ivis在TensorFlow之上运行。 要从运行在CPU TensorFlow软件包上的PyPi安装最新的ivis版本，请运行： # TensorFlow 2 packages require a pip version >19.0. pip install --upgrade pip pip install ivis[cpu] 如果您已安装CUDA，并且希望ivis使用tensorflow-gpu软件包，请运行 pip install

Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习

Non-Local Neural Networks with Grouped Bilinear Attentional Transforms, 论文Non-Local Neural Networks with Grouped Bilinear Attentional Transforms中提出的一种针对non-local网络改进的网络结构。 Non-local可以建模时间和空间维度上的关联性；GCNet结合了基于通道的注意力机制SE和能够捕获全局空间信息的Non-local网络；BAT是在传统的non-local模块上改进的可进行变形操作的新型模块，并且在图片分类和视频分类的性能上已经超过了传统的non-local网络结构。

Convolutional Neural Network (CNN) This tutorial demonstrates training a simple Convolutional Neural Network (CNN) to classify CIFAR images. Because this tutorial uses the Keras Sequential API, creating and training your model will take just a few lines of code.

棋盘识别 该项目重点介绍了采用计算机视觉技术处理棋盘图像并识别棋盘配置的方法。 尽管将棋盘检测用于相机校准是一个经典的视觉问题，但是现有的棋子识别技术在受控环境下仍能正常工作。 程序针对所选的彩色棋盘和一组特定的棋子而定制。 该项目中使用的方法通过使用聚类来分割棋盘和棋子，而与颜色方案无关，对现有研究进行了补充。 对于棋子识别，该方法引入了一种新颖的方法，该方法使用R-CNN训练鲁棒的分类器以处理不同类型的棋盘棋子。 与基于SIFT的分类器相比，该方法在不同种类的样本上表现更好。 如果扩展，这项工作对于记录动作和培训国际象棋AI以预测特定棋盘配置的最佳可能动作可能很有用。 方法堆栈： 获

微生物图像分类器 微生物图像分类的数据集和神经网络的集合。 贡献者： Sari Sabban-Tarik Alafif-Abdullah Alotebi 描述： 这是数据集和神经网络的集合，用于从显微镜图像中检测或分类微生物。 这里提供了所有必需的脚本，数据集和权重。 到目前为止，该项目可以检测或分类以下生物： Protists-17个属： 硬皮-胞囊菌-Lepocinclis-微囊虫-草履虫-idi草-松树皮-胸膜肺炎-扁桃体-沃尔沃-Ceratium-Coleps-Collodictyon-Didinium-Dinobryon-Frontonia-Phacus 变形虫： 只需检测通用细胞，即可区分其生命周期的活跃阶段和非活跃阶段。 线虫： 根据营养级别（CNN）对线虫进行分类，或者检测通用线虫（对象检测），或者逐像素检测线虫（语义分割）以进行生物量计算 可用的数据集和训

it's free