Neural Network and Deep Learning（中文版） （美）Michael Nielsen著

基于excel建立的神经网络学习平台 适合初学者应用，搭配B站的视频来由浅入深的了解神经网络的工作原理 视频通俗易懂 该文件让你0代码感受神经网络的魅力

【模式识别小作业】单隐层神经网络（neural network)+Matlab实现+UCI的Iris和Seeds数据集+分类问题 包含：完整全套代码+readme+报告

模块化的、具有关系推理能力的深度神经网络架构 RN介绍，可以“即插即用”，提升其他深度神经网络结构（如 CNN）关系推理的能力。

DeblurGAN DeblurGAN：使用条件对抗网络进行盲运动去模糊的Pytorch实现。 我们的网络将模糊的图像作为输入，并进行相应的清晰估计，如示例所示： 我们使用的模型是条件性Wasserstein GAN，具有基于VGG-19激活的渐变惩罚+感知损失。 这样的体系结构在其他图像到图像的转换问题（超分辨率，着色，修复，除雾等）上也给出了良好的结果。 怎么跑 先决条件 NVIDIA GPU + CUDA CuDNN（CPU未经测试，感谢反馈） 火炬 从下载权重。 请注意，在推论过程中，您仅需保持Generator权重。 放入砝码 /.checkpoints/experimen

使用智能手机数据集和LSTM RNN的人类活动识别（HAR）。 将运动类型分为以下六类： 步行， WALKING_UPSTAIRS， WALKING_DOWNSTAIRS， 坐下 常设， 铺设。 与传统方法相比，使用具有长短期记忆单元（LSTM）的递归神经网络（RNN）不需要或几乎不需要特征工程。 数据可以直接馈入神经网络，就像黑盒子一样，对问题进行正确建模。 关于活动识别数据集的可以使用大量的特征工程，这是一种结合了经典数据科学技术的信号处理方法。 就数据预处理量而言，此处的方法非常简单。 让我们使用Google简洁的深度学习库TensorFlow演示LSTM的用法，LSTM是一种可以处理顺序数据/时间序列的人工神经网络。 视频数据集概述 点击此链接可观看其中一位参与者在实验中记录的6个活动的视频： 有关输入数据的详细信息 我将在数据上使用LSTM进行学习（作为连接在腰部的手机），以识别用户正在进行的活动类型。 数据集的描述如下： 传感器信号（加速度计和陀螺仪）通过应用噪声滤波器进行预处理，然后在2.56秒和50％重叠（128个读数/窗口）的固定宽度滑动窗口中采

基于神经网络捏脸 推论 1. Unity-2019.2.1f1 2. python-3.5 3. dlib-19.18 4. numpy-1.15.4 5. torch-1.1.0 6. opencv-contrib-python 3.4.0.12 7. tqdm-4.23.4 8. argparse-1.4.0 9. scipy-1.0.1 10. tensorboardX 论文 网易的研究者提出了一种游戏角色自动创建方法，利用面对面的转换快速创建游戏角色，用户还可以自行基于模型结果再次进行修改，直到得到自己满意的人物。此项目按照里的描述建立。 引擎预览 ：Unity，点击

Keras_pruning：如何使用权重修剪和单位神经元修剪来修剪keras模型的演练

Distributed optical fiber Brillouin sensors detect the temperature and strain along a fiber according to the local Brillouin frequency shift (BFS), which is usually calculated by the measured Brillouin spectrum using Lorentzian curve fitting. In addition, cross-correlation, principal component analysis, and machine learning methods have been proposed for the more efficient extraction of BFS. However, existing methods only process the Brillouin spectrum individually, ignoring the correlation in t

tf_unet：用于图像分割的通用U-Net Tensorflow实现