吴恩达深度学习deeplearning第二课课后测验及编程作业（含答案）

LogisticRegression源代码(python实现，使用minist_pkl)

深度学习实验室 字符测试。 seq2seq测试。 word2vec测试。 交叉熵检验。 双向rnn测试。 图片上的卷积运算。 图片上的合并操作。 cnn可视化的颤抖。 InceptionV3模型。 转移学习。

SSDA Deep learning and applications to image processing

good learning with this book

纵向分割 移动设备的实时自动深度抠图 人像分割是指从背景中分割人的过程。 在这里，我们使用语义分割的概念来预测图像中每个像素的标签（密集预测）。 此技术广泛用于计算机视觉应用程序，例如移动设备上的背景替换和背景模糊。 在这里，我们将自己限制为二进制类（人物或背景），并且仅使用纯净的肖像自拍照图像进行抠图。 我们对以下架构进行了实验，以为移动设备实现实时人像分割模型。 移动Unet DeeplabV3 + 棱镜网 肖像网 超薄网 网络 使用标准（和自定义）肖像数据集对模型进行了训练，并借助标准评估指标和基准测试工具对模型的性能进行了比较。 最后，使用流行的嵌入式（移动）机器学习平台进行实

matlab射线追踪代码用于高度移动的毫米波系统的深度学习协调波束成形 这是与以下文章相关的MATLAB代码包：IEEE Access，第1卷，“，”中的艾哈迈德·阿尔卡特伯（Ahmed Alkhateeb），山姆·亚历克斯（Sam Alex），保罗·瓦尔基（Paul Varkey），应莉，齐Qu和Djordje Tujkovic。 6，第37328-37348页，2018年。 文章摘要 在毫米波（mmWave）系统中支持高移动性可实现多种重要应用，例如车辆通信和无线虚拟/增强现实。 但是，在实践中实现这一点需要克服几个挑战。 首先，窄波束的使用和mmWave信号对阻塞的敏感度极大地影响了高移动性链路的覆盖范围和可靠性。 其次，密集mmWave部署中的高移动性用户需要在基站（BS）之间频繁切换，这与关键控制和等待时间开销相关。 此外，在大型天线阵列毫米波系统中确定最佳波束成形向量需要大量的训练开销，这会显着影响这些移动系统的效率。 在本文中，开发了一种新颖的集成式机器学习和协调波束成形解决方案，以克服这些挑战并支持高度移动的mmWave应用。 在提出的解决方案中，多个分布式但协调的BS

项目概况 欢迎来到Udacity的DeepLearning纳米学位中的卷积神经网络（CNN）项目！ 在该项目结束时，该代码将接受任何用户提供的图像作为输入。 如果在图像中检测到狗，它将提供狗的品种的估计值。 如果检测到人，它将提供最相似的犬种的估计。 下图显示了已完成项目的潜在示例输出。 前方的路 我们将笔记本分为几个步骤： 导入数据集 检测人类 检测狗 创建CNN对狗的品种进行分类（从头开始） 创建CNN对狗的品种进行分类（使用转移学习） 测试算法 一些有趣的结果： 最终模型的测试准确性：76％（641/836张图片）。 这只狗的品种是：威尔士史宾格犬 哈Human，人类！ 如果您是狗，您将看起来像：迦南狗 哈Human，人类！ 如果您是狗，您将看起来像：中国沙皮犬 哈Human，人类！ 如果您是狗，您将看起来像：法国斗牛犬 哈Human，人类！ 如果您是狗，您将看起来

使用卷积神经网络处理时间序列，属于最新的处理模型，非常适合处理时间序列

DeepLearningBook高清英文最新版 供各位学习使用，希望能帮到大家