PyTorch是一个深度学习框架，它提供了各种工具和功能来构建、训练和部署深度学习模型。相比其他深度学习框架，例如TensorFlow，PyTorch更加易于使用和灵活。在PyTorch中，我们可以使用张量（tensor）对象来存储和操作数据。这些张量对象非常类似于NumPy数组，但是PyTorch的张量支持GPU加速和自动求导功能，这使得我们可以更快地进行运算和优化模型。除此之外，PyTorch还提供了一些内置的神经网络层和损失函数，以及预训练模型的接口。这些工具和功能使得我们可以轻松地构建和训练深度学习模型，而不需要从头开始编写所有的代码。 视频大小：2.8G

斯坦福大学机器学习教程中文以及深度学习笔记;方便要深入学习原理的童鞋打印下载

深度学习——机器学习的新浪潮.pdf

番茄作物是市场上的重要主食，并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降； 因此，对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型，例如细菌斑，晚疫病，裁缝叶斑，番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前，智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗？ 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络（CNN）的技术，而卷积神经网络是机器学习的一部分，可以早期发现有关植物状况的信息。 CNN方法取决于从输入图像中提取特征（例如颜色，叶子边缘等），并在此基础上确定分类。 Matlab m文件已用于构建CNN结构。 从植物村获得的数据集已用于训练网络（CNN）。 所建议的神经网络已被用于分类六种类型的番茄叶片情况（一种健康的叶片植物疾病和五种类型的叶片疾病）。 结果表明，卷积神经网络（CNN）已经实现了96.43％的分类精度。 真实图像用于验证建议的CNN技术进行检测和分类的能力，并使用5兆像素相机从真实农场中获得，因为感染该星球的大多数常

grpcio-1.39.0rc1-cp37-cp37m-linux_armv7l.whl h5py-2.10.0-cp37-cp37m-linux_armv7l.whl numpy-1.18.2-cp37-cp37m-linux_armv7l.whl scipy-1.4.1-cp37-cp37m-linux_armv7l.whl tensorflow-2.3.0-cp37-none-linux_armv7l.whl

网上LSTM框架图不少，如果直接截图或下载，分辨率非常低。我自己用PPT重新画了一个LSTM的框架图，可以导出高清格式图片，放在投稿的小论文里面。导出方式如下： 1用office的powerpoint打开下载的LSTM.pptx文件； 2.在office中设置，保证可导出高分辨率图片，可参考https://blog.csdn.net/mbtt00/article/details/122343259，建议用注册表修改，然后导出tiff图片； 3.将导出的tiff图片直接复制到word中，即可完成高分辨率图片的方式

华南理工大学 深度学习期末复习资料包 往年知识的一些资料整理

Automatic generation of natural language from images has attracted extensive attention. In this paper, we take one step further to investigate generation of poetic language (with multiple lines) to an image for automatic poetry creation.

NumpyDL：Numpy深度学习库 内容描述 NumpyDL是： 基于纯Numpy / Python 对于DL教育 特征 其主要特点是： 纯洁的脾气暴躁 原生于Python 基本支持自动区分 提供了常用的模型：MLP，RNN，LSTM和CNN 几个AI任务的示例 对于玩具聊天机器人应用 文献资料 可用的在线文档： 最新文件 开发文档 稳定文档 可用的离线PDF： 最新PDF 安装 使用pip安装NumpyDL： $ > pip install npdl 从源代码安装： $ > python setup.py install 例子 NumpyDL提供了一些AI任务示例： 句子分类 示例/lstm_sentence_classification.py中的LSTM 例子中的CNN / cnn_sentence_classification.py mnist手写识

1.本项目以Python语言和OpenCV图像处理库为基础，在Windows平台下开发答题卡识别系统，建立精确的计算机视觉算法，实现对答题卡批量识别、信息导出至Excel表格等功能，使判卷轻量化、准确化、高效化。 2.项目运行环境：Python环境、OpenCV环境、图像处理工具包、requests、 base64和xlwt模块。 3.项目包括4个模块：信息识别、Excel导出、图形用户界面和手写识别。其中基于OpenCV算法，实现对图片中选项信息、学生身份信息的检测；利用Python标准GUI库Tkinter实现图形用户界面功能；针对个人信息部分，调用智能识别API对学院、姓名进行手写文字识别，对班级、学号进行数字识别。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132598680