注意力机制（英語：attention）是人工神经网络中一种模仿认知注意力的技术。这种机制可以增强神经网络输入数据中某些部分的权重，同时减弱其他部分的权重，以此将网络的关注点聚焦于数据中最重要的一小部分。数据中哪些部分比其他部分更重要取决于上下文。可以通过梯度下降法对注意力机制进行训练。 类似于注意力机制的架构最早于1990年代提出，当时提出的名称包括乘法模块（multiplicative module）、sigma pi单元、超网络（hypernetwork）等。注意力机制的灵活性来自于它的“软权重”特性，即这种权重是可以在运行时改变的，而非像通常的权重一样必须在运行时保持固定。注意力机制的用途包括神经图灵机中的记忆功能、可微分神经计算机中的推理任务[2]、Transformer模型中的语言处理、Perceiver（感知器）模型中的多模态数据处理（声音、图像、视频和文本）。人类的注意力机制（Attention Mechanism）是从直觉中得到，它是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段。深度学习中的注意力机制借鉴了人类的注意力思维方式，被广泛的应用在自然语言

数据集标注软件labelimg，基于python的安装包，同时也有打包好的exe文件，对于新手可以直接运行，目标检测领域数据集标注的不二选择。

基于深度学习resnet网络开发的花卉分类识别系统，包含5种类别的花卉（玫瑰、向日葵、紫罗兰等），包含训练文件，也可以自己训练。可以单张图片识别也可多张一起识别，并开发了gui系统界面。在readme文件中做了说明。（有没有GPU均可运行）

用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习 除此之外，还有所有迁移学习的代码，可以利用迁移学习的代码对猫狗数据集进行训练学习

乳腺癌超声图像数据集-Breast Ultrasound Images Dataset，所有图像均分为正常、良性和恶性，每个图像都有标记，可用于乳腺癌图像分类，分割等研究，该资源国外网站可下载，但是国内速度较慢，特此上传。

1. 使用自定义深度卷积神经网络从胸部x线图像中检测肺炎，并使用5856张x线图像(1.15GB)对预训练模型“InceptionV3”进行再训练。 2. 为了重新训练去除了输出层，冻结了前几个层，并为两个新标签类(肺炎和正常)微调模型。 3.自定义深度卷积神经网络的测试精度为89.53%，损失为0.41。

火灾检测数据集，这个数据集包含10,003张图片，这些图片被分为3个不同的集合(训练、验证和测试)。它们被分开的比例是311。在5003张包含火灾的图片中，有2567张是通过将火灾图像叠加到新加坡道路视频中合成的。

假性视网膜水肿与视网膜水肿分类图像数据集，一个1368张视网膜观测图像 假性视网膜水肿与视网膜水肿分类图像数据集，一个1368张视网膜观测图像 假性视网膜水肿与视网膜水肿分类图像数据集，一个1368张视网膜观测图像

该数据有32,203张图像，人脸分割模型，文件包括一个人脸检检测模型用来定位人脸在图像中的位置。 该数据有32,203张图像，人脸分割模型，文件包括一个人脸检检测模型用来定位人脸在图像中的位置。

船坞-船型分类数据集，该数据集包含9种类型的船只的图像。它包含两个目录“TRAIN”和“TEST”，分别有1162和300个图像。训练图像在特定类本身的目录中提供。目录的名称是用于提交的“类标签”。目的是将“TEST”图像归为9类中的一类。分为：船型渡船、贡多拉、帆船、游船、皮划艇、充气船、纸船、浮筒、货船