matlab提取文件要素代码CUDA深度神经网络 这是某些深度神经网络（DNN）的实现。 我们密切关注，但是使用C ++ /代替Matlab或Octave。 每个神经网络体系结构都在单独的类中实现，其中一些由其他类组成。 我们已经有了以下架构的工作版本： 稀疏自动编码器（AE） Softmax回归（SM） 堆叠式自动编码器（SAE） 线性解码器（LD）（测试中） 数学 作为参考，我们在此提供每种体系结构的摘要信息。 实际上，我们主要给出了我们在代码中使用的方程式，因此请参阅参考资料以获取完整的说明。 请注意，我们的方程看起来可能与那里的方程并不完全一样，因为我们将给出同时处理大量数据的向量化版本。 但是首先，一些通用的符号： 象征 描述 数据输入大小。 特征向量的维数。 数据列大小。 要训​​练多少个特征向量。 尺寸数据矩阵。 每列都是一个特征向量。 维度的标签向量。 元素包含特征向量的标签。 向量和维度。 这不是单位矩阵。 1和维的矩阵。 这不是单位矩阵。 成本函数中的权重衰减参数。 梯度下降的学习率。 sigmod功能。 可能是什么（实数或矩阵）。 当应用于矩阵时，返回一个向量，该

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。 ◉ 目录： 第1章：Python 预备课程 第2章：用于机器学习的 Python 第3章：TensorFlow 简介 第4章：表格数据训练 第5章：正则化和Dropout 第6章：用于计算机视觉的卷积神经网络 第7章：生成对抗网络 第8章：Kaggle 数据集 第9章：迁移学习 第10章：Keras 中的时间序列 第11章：Hugging Face的自然语言处理 第12章：强化学习 第13章：高级/其他主题 第14章：其他神经网络技术

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。 ◉ 目录： 第1章：Python 预备课程 第2章：用于机器学习的 Python 第3章：TensorFlow 简介 第4章：表格数据训练 第5章：正则化和Dropout 第6章：用于计算机视觉的卷积神经网络 第7章：生成对抗网络 第8章：Kaggle 数据集 第9章：迁移学习 第10章：Keras 中的时间序列 第11章：Hugging Face的自然语言处理 第12章：强化学习 第13章：高级/其他主题 第14章：其他神经网络技术

肝了3天，近400个篮球样品，我在网上硬是没找到单独篮球的训练数据集 COCO格式的篮球数据集。 为了提升训练性能，图片的分辨率都不是特别高，所以整个文件并不大

肝了3天，近400个篮球样品，我在网上硬是没找到单独篮球的训练数据集 VOC格式的数据集。 为了提升训练性能，图片的分辨率都不是特别高，所以整个文件并不大

深度神经网络LSTM（长短记忆）四个输入1个输出，进行分类预测。网上都是一些单输入单输出的时间序列预测，这里给出的是多输入单输出预测。

针对传统两级手写汉字识别系统中手写汉字识别的特征提取方法的限制问题，提出了一种采用卷积神经网对相似汉字自动学习有效特征进行识别的系统方法。该方法采用来自手写云平台上的大数据来训练模型，基于频度统计生成相似子集，进一步提高识别率。实验表明，相对于传统的基于梯度特征的支持向量机和最近邻分类器方法，该方法的识别率有一定的提高。

可用于分割神经网络的训练测试等，共3400张图，1700个人像及对应mask

沟通是聋哑社区和社会其他成员之间的障碍。 手语用于在这些不会说话和听不懂的人之间进行交流。 在过去的几年中，手语识别的自动化已引起研究人员的关注。 已经开发了许多复杂且昂贵的硬件系统来辅助该目的。 但是，我们建议使用深度学习方法进行自动手语识别。 我们设计了一种基于ResNet50的新型2级深度神经网络体系结构来对拼写单词进行分类。 使用的数据集是标准的[1]的美国手语手势数据集。 首先使用各种扩充技术来扩充数据集。 在基于2级ResNet50的方法中，1级模型将输入图像分类为4组之一。 在将图像分类为一组图像之后，将其提供为相应的第二级模型的输入，以用于预测图像的实际类别。 我们的方法在12,048张测试图像上产生了99.03％的精度。

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相