学习深度神经网络的Keras：利用Python进行现代深度学习的快速方法 Jojo John Moolayil

快速SRGAN 该存储库的目标是实现实时超分辨率，以对低分辨率视频进行升采样。 目前，该设计遵循架构。 但是代替残差块，采用反向残差块以提高参数效率和快速操作。 这种想法在某种程度上受到。 培训设置如下图所示： 速度基准 通过平均800帧以上的运行时间获得以下运行时间/ fps。 在GTX 1080上测得。 输入图像尺寸 输出尺寸 时间（秒） 第一人称射击 128x128 512x512 0.019 52 256x256 1024x1024 0.034 30 384x384 1536x1536 0.068 15 我们看到有可能以30fps的速度将其上采样到720

纯英语名著，关于大脑理论结合人工智能的神经网络和深度学习相关定理的百科全书。本书据我所知没有译本，不过值得一看。

CNN-On-The-Cloud- 用于为Fashion MNIST数据集构建图像分类器的代码。 使用Keras库构建并在FloydHub云平台上接受培训。 您可以在签出相应的“中型”文章 您可以通过单击下面的按钮快速获得此代码并在云上运行。

甲状腺 用于评估在超声中观察到的甲状腺结节的代码库：与使用ACR TI-RADS的放射科医生进行深度学习的比较。 由开发。 它包含使用Keras框架和TensorFlow后端的多任务CNN模型的实现。 如果您在研究中使用此代码，请考虑引用以下内容： @article{buda2019evaluation, title={Evaluation of Thyroid Nodules Seen on Ultrasound: Comparison of Deep Learning to Radiologists Using ACR TI-RADS}, author={Buda, Mateusz and Wildman-Tobriner, Benjamin and Hoang, Jenny K and Thayer, David and Tessler, Franklin N an

《Neural Networks and Deep Learning》代码，从ｇｉｔ上面偷来的，需要的自行下载，只改了第一个ｍｎｉｓｔ＿ｌｏｄｅｒ和ｎｅｔｗｏｒｋ，其他的有时间再改

风格转移火炬 在PyTorch中实现神经风格转换（），支持CPU和Nvidia GPU。 它会自动进行多尺度（从粗到细）样式化，以生成高质量的高分辨率样式化，如果GPU有足够的内存，甚至可以达到打印分辨率。 如果有两个GPU，则它们都可以用来提高最大分辨率。 （使用两个GPU并不比使用一个GPU快。） 该算法已通过以下方式从文献中进行了修改： 使用PyTorch预训练的VGG-19砝码代替原始的VGG-19砝码 将VGG-19第一层的填充模式更改为“复制”，以减少边缘伪像 使用平均值池或L2池时，请根据经验得出的因子对结果进行缩放，以确保结果的幅度平均保持不变（Gatys等人（2015年）未执行此操作） 使用MSE损失的近似值，使其内容和样式损失的梯度L1范数约为1（以近似梯度归一化的效果，从而产生更好的视觉质量） 通过每个特征图通道中的元素数量而不是元素总数（Johnson等人）

pystiche：基于PyTorch的神经风格转移（NST）框架

非常清晰非常清晰！！！Michael Nielsen 大神的 《Neural Networks and Deep Learning》 网络教程一直是很多如我一样的小白入门深度学习的很好的一本初级教程。不过其原版为英文，对于初期来说我们应该以了解原理和基本用法为主，所以中文版其实更适合初学者。幸好国内有不少同好辛苦翻译了一个不错的中文版本，并且使用 LaTex 进行排版以方便阅读。

Neural Network and Deep Learning-中文版