完善的机器学习：笔记，练习和Jupyter笔记本 在下面，您将找到补充第二版《机器学习精炼》（剑桥大学出版社出版）的一系列资源。 目录 小部件样本和我们的教学法 我们相信，只有对以下三个问题中的每一个回答都是肯定的，才能精通某种机器学习概念/主题。 Intuition你能用一个简单的图景描述这个想法吗？ Mathematical derivation您可以用数学符号表达直觉并推导基础模型/成本函数吗？ Implementation您可以在不使用高级库的情况下使用Python这样的编程语言对派生代码进行编码吗？ Intuition comes first. 直观的飞跃先于知识的飞跃，因此，我们在书中包括了300多种彩色插图，这些彩色插图经过精心设计，可以直观地掌握技术概念。 这些插图中的许多是动画的快照，这些动画显示了某些算法的收敛性，某些模型从不完全拟合到过度拟合的演变等。可以使用动画（与静态图形相对）来最好地说明和理解此类概念。 您可以在此存储库中找到大量这样的动画-您也可以通过这些注释的原始Jupyter笔记本版本来修改自己。 这里只是几个例子： 交叉验证（回归）

脸部活跃度检测 描述 深度学习管道，能够发现人脸与合法人脸，并在人脸识别系统中执行反人脸欺骗。 它是在Keras，Tensorflow和OpenCV帮助下构建的。 样本数据集已上传到sample_dataset_folder中。 方法 检测伪造的面Kong与真实/合法面Kong的问题被视为二进制分类任务。 基本上，给定输入图像，我们将训练一个卷积神经网络，该卷积神经网络能够将真实面Kong与伪造/欺骗面Kong区分开。 该任务涉及四个主要步骤： 构建图像数据集本身。 实现一个能够执行活动检测器（Livenessnet）的CNN。 训练活动度检测器网络。 创建一个能够采用我们训练有素的活动检测器模型的Python + OpenCV脚本，并将其应用于实时视频。 创建一个Web平台以交互方式访问活动度检测算法。 该存储库的内容 sample_liveness_data：包含样本数据集。

这是（深度学习框架MXnet）mxnet-the-straight-dope-master的一些资料。关于如何安装mxnet模块，这个我在博客中记录过，欢迎大家交流学习。

文件夹说明： 1. ./divert -- 全部进行像素反转后的 60000 张训练集图片； 2. ./divert_test -- 全部进行像素反转后的 60000 张测试集图片； 3. ./rotate -- 全部进行图像旋转后的 60000 张训练集图片； 4. ./rotate_test -- 全部进行图像旋转后的 60000 张测试集图片； 5. ./divert_and_rotate -- 像素反转后的 30000 张训练集图片 + 图像旋转后的 30000 张训练集图片； 6. ./divert_and_rotate_test -- 像素反转后的 30000 张测试集图片 + 图像旋转后的 30000 张测试集图片； 7. ./raw -- 手动创建的测试集图片，1-9 没有进行旋转，r1-r9 进行了不同角度的旋转 8. label_train.txt -- 训练集 label 9. label_test.txt -- 测试集label

英文原版 Tap The Power of TensorFlow and Theano with Keras, Develop Your First Model, Achieve State-Of-The-Art Results

信息网 通过提出的MIRNet架构的Tensorflow实现，。 Lanuch笔记本： Wandb日志： ://wandb.ai/19soumik-rakshit96/mirnet MIRNet的TFLite变体： : 。 Tensorflow Hub上的TFLite模型： ://tfhub.dev/sayakpaul/lite-model/mirnet-fixed/dr/1 。 MIRNet的Tensorflow JS变体： : 。 预先训练的体重 在128x128补丁程序上进行了训练： ：//drive.google.com/file/d/1sUlRD5MTRKKGxtqyYDpTv7T3jOW6aVAL/view usp = sharing 已针对256x256补丁进行了培训： https ：//drive.google.com/file/d/1sUlRD5MTR

详细说明DL4J作为Java深度学习接口的特点以及使用方法，包括构建不同神经网络类型比如卷积，循环，前馈，以及从训练集构建到模型评估的全流程手把手教学

CAM_gluon

记录两个IQA读库代码，可以读取大部分公开数据集

使用深度学习和OpenCV进行社交距离 目的 由于COVID-19，今天的不幸情况使人与人之间的距离至关重要。 目标是检测使用深度学习的人员，并找出人员之间的距离，以检查人员是否维持6英尺或1.8 m的标准社交距离。 工具和库 Python OpenCV YoloV3 描述 第1步：在相框/图片中找到人数。 步骤2：为使用YOLO确定的人员创建边界框。 步骤3：为对象设置宽度阈值，在其中测量距离，即人的宽度。 我将宽度设置为27英寸或0.70米。 如果需要，请尝试其他值。 步骤4：将像素映射到公制（米或英寸）。 步骤5：以米为单位，找到一个人到另一个人的中心点之间的距离。 结果