深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

使用深度学习进行环境声音分类 自主机器人是人工智能的一个领域，致力于设计可以执行任务的机器人，而无需任何外部来源的干预。 自主机器人将对我们在家庭，工业和公共场所的生活产生巨大影响。 这些机器人需要了解周围环境以表现出智能行为。 机器人感知周围环境的方式之一就是通过声音。 近年来，机器人的机械控制技术以可观的速度增长。 但是，他们通过听觉场景感知周围环境的能力仍处于起步阶段。 声音场景分类以多种方式补充了基于图像的分类，例如与有限的摄像机视角相比，麦克风本质上是全向的，并且音频信号需要较少的计算资源和较低的带宽。 装有麦克风的机器人可以通过分析来自声源的声音信号来以任何角度聆听并与人类互动，并且可以增强行为和辅助自主机器人的应用领域。 许多研究人员正在研究智能声音识别（ISR）系统，以使机器人能够了解真实的周围环境。 环境声音分类系统的目标是分析人类的听觉意识特征并将这种感知能力嵌入自主机

OpenNMT-py：开源神经机器翻译 OpenNMT-py是项目的版本， 项目是一个开源（MIT）神经机器翻译框架。 它被设计为易于研究的，可以尝试翻译，摘要，形态和许多其他领域的新思想。 一些公司已经证明该代码可以投入生产。 我们喜欢捐款！ 请查看带有标签的问题。 提出问题之前，请确保您已阅读要求和文档示例。 除非有错误，否则请使用或提出问题。 公告-OpenNMT-py 2.0 我们很高兴宣布即将发布OpenNMT-py v2.0。 此版本背后的主要思想是-几乎完整地改造了数据加载管道。 引入了新的“动态”范式，允许对数据进行动态转换。 这具有一些优点，其中包括： 删除或

医学成像中的深度学习：如何在MRI检查中自动检测膝盖受伤？ 该存储库包含一个卷积神经网络的实现，该网络对MRI检查中特定的膝盖损伤进行分类。 它还包含我在上撰写的一系列帖子的材料。 数据集：MRNet 数据来自斯坦福大学ML Group研究实验室。 它由斯坦福大学医学中心进行的1,370次膝盖MRI检查，以研究前交叉韧带（ACL）眼泪的存在。 有关ACL撕裂问题和MRNet数据的更多信息，请参阅我的博客文章，您可以在Jupyter Notebook中调查数据并构建以下数据可视化： 要了解有关数据以及如何实现此可视化窗口小部件的更多信息，请阅读 代码结构： 下表总结了该项目的体系结构： 有关该代码的更多详细信息，请参阅我的第二篇。 如何使用代码： 如果您想自己重新训练网络，则必须通过此向斯坦福大学索取数据。 下载数据后，创建一个data文件夹并将其放置在项目的根目录下。 您

Deep Exploration 6.5中文汉化包，适用于Deep Exploration6.3、Deep Exploration6.4、Deep Exploration6.5三个版本。

Michael Nielsen的Neural Networks and Deep Learning，由Xiaohu Zhu，Freeman Zhang等人提供中文翻译的开源版本，这个是最新的v0.5中文版。

GROBID GROBID文档 请访问以获取更多详细信息。 概要 GROBID（或Grobid，但不是GroBid或GroBiD）表示书目数据的生成。 GROBID是一个机器学习库，用于将原始文档（例如PDF）提取，解析和重组为结构化XML / TEI编码的文档，尤其侧重于技术和科学出版物。 最早的发展始于2008年，是一种业余爱好。 在2011年，该工具已以开源形式提供。 自开始以来，作为副项目的GROBID工作就一直稳定，并有望继续进行。 可以使用以下功能： 从PDF格式的文章中提取标题并进行解析。 这里的摘录涵盖了通常的书目信息（例如标题，摘要，作者，隶属关系，关键字等）。 从.

用于构建高质量数据集和计算机视觉模型的开源工具。 •• •••• 是由创建的开源ML工具，可帮助您构建高质量的数据集和计算机视觉模型。 使用FiftyOne，您可以搜索，排序，过滤，可视化，分析和改善数据集，而无需进行过多的整理或编写自定义脚本。它还提供了用于分析模型的强大功能，使您能够了解模型的优缺点，可视化，诊断和纠正其故障模式，等等。 FiftyOne的设计轻巧，可轻松集成到您现有的CV / ML工作流程中。 您可以加入我们的Slack社区，阅读我们在Medium上的博客，并在社交媒体上关注我们，从而参与其中： 安装 您可以通过pip安装FiftyOne的最新稳定版本： pip install fiftyone 请查阅以获取故障排除以及有关使用FiftyOne进行启动和运行的其他信息。 快速开始 通过启动快速入门，直接进入FiftyOne： fiftyone quicksta

U-GAT-IT的官方PyTorch实施：带有自适应层实例规范化的无监督生成注意网络，用于图像到图像的转换U-GAT-IT —官方PyTorch实施：具有自适应的层实例化规范化的无监督生成注意网络，用于图像图像翻译论文| 正式的Tensorflow代码本文的结果来自Tensorflow代码U-GAT-IT：具有自适应层实例规范化的无监督生成注意网络，用于图像到图像的翻译摘要：我们提出了一种新的方法，用于无监督的图像到图像的翻译，其中包含一个新的atte

什么是MedicalVision？ 基于pytorch的深度学习工具包，用于医学图像分析。 MedicalVision的目标是在火炬上提供轻巧的包装，可以进一步减少开发用于医学图像分析任务（例如分类，配准和分割等）的新算法的时间。 动机与目标 随着深度学习在计算机视觉中的流行，已经提出了许多基于深度学习的作品/体系结构来处理传统医学图像分析任务（分类，注册和分割）。 不幸的是，据我所知，还没有一个基于pytorch的简单有效的工具包能够实现快速原型制作。 在日常工作中，我会为各种医学图像数据集编写DataLoader并重现一些论文中介绍的算法。 为了使生活更轻松，创建了MedicalVision工具包，旨在提供： 著名医学图像数据集的数据加载器 最新模型中使用的常见损失和指标 动物园模型，包括经过培训的最新模型 ... MedicalVision工具箱仍在开发中。 以下流行的深度学习