consep数据集，用于病理研究。包括验证集，测试集。已经把错误的一个图删掉了。

MoNuSeg数据集，用于病理研究。深度学习。

深度学习彻底改变了机器学习和人工智能，在几个标准基准上取得了超人的表现。众所周知，深度学习模型训练效率低;它们通过多次处理数以百万计的训练数据来学习，并且需要强大的计算资源来同时并行处理大量数据，而不是顺序处理。深度学习模型也存在非预期失效模式;他们可能会被愚弄，做出错误的预测。 在本文中，我们研究了提高深度学习模型训练效率和鲁棒性的方法。在学习视觉语义嵌入的背景下，我们发现优先学习更多的信息训练数据可以提高收敛速度和提高测试数据的泛化性能。我们形式化了一个简单的技巧，称为硬负挖掘，作为学习目标函数的修改，没有计算开销。接下来，我们在深度学习的通用优化方法中寻求优化速度的改进。我们展示了对训练数据采样的冗余感知修改提高了训练速度，并开发了一种检测训练信号多样性的有效方法，即梯度聚类。最后，我们研究了深度学习中的对抗鲁棒性，以及在不使用额外数据训练的情况下实现最大对抗鲁棒性的方法。对于线性模型，我们证明保证最大的鲁棒性实现只有通过适当的选择优化器，正则化，或架构。

This book is for engineers, data analysts, and data scientists, interested in deep learning, and those looking to explore and implement advanced algorithms with PyTorch. Knowledge of machine learning is helpful but not mandatory. Knowledge of Python programming is expected.

Match-LSTM和答案指针（Wang和Jiang，ICLR 2016） 此仓库尝试在同一张纸上重现2016年论文中的match-lstm和answer指针实验。 许多预处理锅炉代码来自Stanford CS224D。 代码的内容在qa_model.py中。 为了使代码正确，我不得不修改tensorflow的原始注意力机制实现。 给定一组段落，运行train.py训练模型，并运行qa_answer.py生成答案。 请通过与我联系以获取更多信息。 该代码还充当示例代码，展示了如何将tensorflow的注意力机制连接在一起。 截至2017年8月13日，此类示例在任何地方都不可用。 预处理

经典深度学习教材，入门深度学习必备数目，众多大神推荐！经典深度学习教材，入门深度学习必备数目，众多大神推荐，经典深度学习教材，入门深度学习必备数目，众多大神推荐，经典深度学习教材，入门深度学习必备数目，众多大神推荐

盗版模块的实现 除了代码本身的注释外，我还写了一篇文章，您可以在找到有关Inception Module和GoogLeNet的进一步说明。 内容 inception.py模块的实现 Inception Train & Test.ipynb ：笔记本，用于培训和测试Inception模块的实现。 layers ：包含实现基本层的文件[卷积，最大池化和完全连接] 如果您在查看笔记本文件时遇到问题，请单击。

深度学习(Deep learning, DL)已经成为现代人工智能中最成功和被广泛采用的方法之一。与这些成功相伴而来的是越来越复杂和昂贵的架构设计，其基础是一个核心概念:层。本文对层次的这一基本作用提出了挑战，并深入介绍了一种新的、无层次的深度学习范式，将输出计算为动态系统的不动点:深度均衡(DEQ)模型。 首先，我们介绍深度均衡模型的一般公式。我们讨论了这些模型如何表达“无限级”的神经网络，向前和向后解耦传递，但与传统层的成本和设计复杂性-即使在一些最具竞争力的设置(例如，语言建模，语义分割等)。 其次，我们进一步讨论了这种均衡方式带来的挑战和机遇。我们表明，DEQ公式揭示了深度学习的许多新特性，这些特性长期以来被传统的层-堆叠方案所掩盖。利用它们，我们可以训练和部署这些新的轻量级均衡算法，大大补充了深度学习的现有发展，并使我们能够在最先进的水平上改善多个现有结果(例如，光流估计)。 DEQ方法已经在理论和实证两方面引领了社区内隐深度学习的新研究领域(例如，NeurIPS 2020教程)。因此，我们通过讨论未来的工作如何进一步利用这一平衡视角来构建更可扩展、高效和准确的下一代D

darknet_ros：YOLO ROS：ROS的实时对象检测

八度卷积的Pytorch实现 这是论文。 适用于1.0版。