深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN） 课程收益 目标一. 了解Caffe框架的环境配置以及LEVELDB和LMDB数据。 目标二. 学习并且掌握Caffe框架最基础的数据结构，明白其各结构之间的关系。 目标三. 阅读明白Caffe框架的源码，特别是其入口程序也就是Caffe.cpp的源码理解，这样可以熟悉Caffe程序运行流程。 目标四. 明白Caffe最优化求解过程，重点是求解器，以及求解器的实现等等。

keras_contrib包，下载后直接按照如下安装 1.解压 2.cmd环境下进入解压位置 3. cd keras-contrib python setup.py install

在此记下AlexNet等八个经典网络的架构、创新点等，以供参考。

基于卷积神经网络及特征提取的面部表情识别算法.pdf

docker + pycharm+GPU 远程开发配置环境教程.pdf

第一讲 带着大家梳理人工智能领域的基本概念：比如什么是人工智能、什么机器学习、什么是深度学习，他们的发展历史是什么，能用他们做什么。课后，助教会带领大家安装Ubuntu系统、Python解释器 和 Tensorflow环境，把同学们的电脑进行改造，让它变得更专业。 第二讲 串讲python语法：课程将帮同学们在最短的时间内把python语法织成网，为后续课程扫清代码关； 第三讲 讲解Tensorflow的关键词，搭建神经网络：这节课会介绍张量、计算图、会话等概念，并用Python搭建你的第一个神经网络，总结出神经网络搭建的八股。 第四讲 讲解神经网络的优化：包括损失函数、学习率、滑动平均和正则化。 第五讲 讲解全连接网络：使用MNIST数据集，搭建全连接网络实现手写数字的识别。包括前向传播、反向传播、识别准确率输出和反向传播断点续训。 第六讲 讲解全连接网络应用：更改上一讲全连接网络的代码，现场手写一个数字，输出这个数字的值。 第七讲 讲解卷积神经网络：使用MNIST数据集，搭建卷积神经网络实现前向传播、反向传播、识别准确率输出和反向传播断点续训。 第八讲 讲解卷积神经网络应用：复现ImageNet数据集训练好的模型，实现特定图片的识别。

torch开发版1.8.0a0编译后的安装包，支持cuda11.1，编译环境gcc 9.3.0-17ubuntu20.04

集成Opencv3.4,torch 1.6 tensorflow1.2等

基于LSTM递归神经网络的番茄目标产量时间序列预测.pdf

输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值