win10安装cuda10.0以及VS2013下的CUDA编程测试

DSSM论文

基于表面肌电信号的动作识别（深度学习） 1、sEMG的基础知识 1-1 sEMG的产生 表面肌电信号是由多个运动单元发放的动作电位序列，在皮肤表面呈现的时间上和空间上综合叠加的结果。 图1 肌电信号生成 sEMG的特点： 幅值一般和肌肉运动力度成正比，能精确的反映肌肉自主收缩力 超前于人体运动30-150ms产生 1-2 基于sEMG的动作识别一般处理流程 图2 基于机器学习的肌电识别处理流程 （1）离线采集sEMG 定义动作数量、动作类型 选择采集设备：Delsys(2000Hz)、Myo(200Hz)、OttoBock(100Hz)、高密度阵列式等 肌肉位置的选择、电极数量的选择：根据肌肉解剖位置调整电极 引导方式：图片、语音 采集流程：休息+动作循环采集 休息时间、动作时间，动作维持的力的大小，动作的姿势尽量保持一致 （2）数据预处理 10-350Hz带通滤波器，50Hz陷波器

本资源适合于利用深度学习方法进行脑电情绪的识别，该模型在DEAP以及SEED数据集上都表现出了极好的分类效果

一款基于深度学习的翻译神器deepl

CycleGAN-VC2-PyTorch | 这段代码是用于纸张的PyTorch实现： ，是有关语音转换/语音克隆的工作。 数据集 风投 中国男性演讲者（AISHELL 和） 用法 训练 例子 演示版 参考 更新 2020.11.17 ：修复的问题：重新实施第二步的逆向损失。 2020.08.27 ：通过添加第二步的逆向性损失 循环GAN-VC2 为了推进非并行VC的研究，我们提出了CycleGAN-VC2，它是CycleGAN-VC的改进版本，结合了三种新技术：改进的目标（两步对抗损失），改进的生成器（2-1-2D CNN） ）和改进的鉴别器（GAN修补程序）。 该存储库包含： 实施本文的。 ，可用于创建缓存。 来训练模型。 -训练后转换的结果。 目录 要求 pip install -r requirements.txt 用法 预处理 python pre

通过压缩感测和深度学习实现大型智能表面 这是与以下文章相关的MATLAB代码包：Abdelrahman Taha，Muhammad Alrabeiah和Ahmed Alkhateeb，“”，IEEE Access，2021年3月，doi：10.1109 / ACCESS.2021.3064073。 文章摘要 采用大型智能表面（LIS）是提高未来无线系统的覆盖范围和速率的有前途的解决方案。 这些表面包含大量近乎无源的元素，这些元素与入射信号相互作用，例如通过反射入射信号，从而以一种聪明的方式提高了无线系统的性能。 假定对通道有充分的了解，以前的工作主要集中在LIS反射矩阵的设计上。 然而，在LIS上估计这些信道是一个关键的挑战性问题，并且由于LIS元素数量巨大，因此与大量的培训开销相关联。 本文通过利用压缩感知和深度学习的工具，为这些问题提供了有效的解决方案。 首先，提出了一种基于稀疏信道传

Deeplearning深度学习笔记v5.7.rar

stylegan预训练模型

台湾李宏毅的深度学习课件，通俗易懂，非常适合入门 李宏毅-Deep Learning Tutorial-300页的PPT，这个PPT介绍了一些关于深度学习的知识，适合深度学习入门级阅读。