介绍人工神经元网络的书，理论概念比较详细

人脸识别 通过深度学习实现的人脸检测和识别系统。 人脸数据集 非人脸数据集 带有滑动窗口的人脸检测

递归神经网络 在设计可以适应和学习模式的系统的过程中，我们将探索有关复杂的生物系统（例如人脑）如何工作的基本，基本，水平的理论。 我觉得这很迷人。 递归神经网络是一个包含反馈回路并可以存储过去信息的系统。 为了对长期依存关系进行建模（例如可以在自然语言处理中找到），这是必需的。 该程序将学习产生类似于使用C语言实现的LSTM网络进行过训练的文本。该回购协议的灵感来自Andrej Karpathys char-rnn ： : 但而是以C语言实现，以便在更受限的环境中使用。 建造 CMake的 这是在Windows上构建它的首选方法。 # Build using cmake mkdir build cd build cmake .. cmake --build . 介子 这可以在多个平台上运行，唯一的要求是Python3。 # Create virtual environment

深度压缩压缩深度神经网络，并带有经过修剪训练的量化和霍夫曼算法 这是文件的pytorch实现。 Pytorch版本：0.4.0

Yahoo的开放NSFW模型的Tensorflow实现 该存储库包含以tensorflow重写的的实现。 原始重量已使用提取 。 您可以在data/open_nsfw-weights.npy找到它们。 先决条件 所有代码均应与Python 3.6和Tensorflow 1.x （经1.12测试）兼容。 该模型的实现可以在model.py找到。 用法 > python classify_nsfw.py -m data/open_nsfw-weights.npy test.jpg Results for 'test.jpg' SFW score: 0.9355766177177429 NSF

神经自行车 该项目在个人设备和资源上运行。 网站上没有使用跟踪器，并且它是免费的。 如果您喜欢它，请考虑通过捐赠或解锁iOS应用程序上的其他功能来支持它。 为什么会存在？ 世界各地的自行车共享服务都存在相同的问题。 骑行方式不平等会导致整个城市的自行车分配不均。 这迫使工人重新平衡使用大型车辆的服务，或者通过激励用户从整站解锁自行车。 这是全球所有对接系统中都存在的问题。 自行车共享应用程序不会为用户提供有洞察力的信息。 它们仅提供反映系统实际状态的信息。 但是以前的模式会影响实际状态，甚至可能影响未来。 通过不断地收集数据，我试图通过使用最近几天的可用性来预测可用性来解决此问题。 该存储库包含用于生成预测的实际代码。所有数据分析，处理和神经网络训练均由该项目完成。 我正在尽可能多地更新此项目，以使其适应不同城市的需求。 到目前为止，每天都会对毕尔巴鄂，马德里，纽约和伦敦等城市进

可视化分析RNN的状态变化 有关LSTMVis，介绍视频以及实时演示链接的更多信息，请访问 还可以在或在线演示中查看我们关于序列到序列模型的新工作，为 V2.1中的更改 更新到Python 3.7 ++（感谢@nneophyt） V2的变化 新设计和服务器后端 隐藏状态轨道的离散缩放 添加了用于元数据和预测的注释轨道 为张量流添加了训练和提取工作流 客户端现在是ES6和D3v4 客户端的一些性能增强 添加了Keras教程（感谢Mohammadreza Ebrahimi） 安装 请使用python 3.7或更高版本来安装LSTMVis。 克隆存储库： git clone https://github.com/HendrikStrobelt/LSTMVis.git ; cd LSTMVis 使用安装python（服务器端）要求： python -m venv venv3 sour

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

步态识别系统[神经网络] V3.4：基于步态生物特征识别的神经网络的简单有效的源代码

Analyzing_Neural_Time_Series, 神经时间序列教材的python 实现 Analyzing_Neural_Time_Series麦克斯 with ( 2014 )的神经时间序列是一本为神经学家编写连续神经数据的大书。 虽然这本书看起来主要是用于脑电分析，但是我发现书中的主题很容易翻译。 每章都介绍了一种新技