深度学习算法要在手机上落地，caffe依赖太多，手机上也没有cuda，需要个又快又小的前向网络实现，ncnn就诞生了，它目前支持以下平台：跨平台，主要支持 android，次要支持 ios / linux / windows。 input data and extract output #include #include #include net.h int main() { cv::Mat img = cv::imread(image.ppm, CV_LOAD_IMAGE_GRAYSCALE); int w = img.cols; int h = img.r

高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

复杂网络相关SCI论文，包括小世界模型、无标度模型、局域世界模型等，研究复杂网络、系统工程、社交网络等相关领域的可以参考借鉴

IOCP网络模型-附件资源

基于pytorch实现的堆叠自编码神经网络，包含网络模型构造、训练、测试 主要包含训练与测试数据（.mat文件）、模型（AE_ModelConstruction.py、AE_Train.py）以及测试例子（AE_Test.py） 其中ae_D_temp为训练数据，ae_Kobs3_temp为正常测试数据，ae_ver_temp为磨煤机堵煤故障数据，数据集包含风粉混合物温度等14个变量 在程序中神经网络的层数和每层神经元个数没有固定，可根据使用者的输入值来构造神经网络，方便调试 autoencoder类在初始化时有三个参数，第一个是网络输入值，第二个是SAE编码过程的层数(编码、解码过程层数相同)，第三个是是否添加BN层 这里为了构造方便，给每层神经元的个数与层数建立一个关系：第一层神经元的个数为2^(layer数+2)，之后逐层为上一层的1/2

LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

1.1 模型介绍 1.2模型结构 1.3 模型特性 2.1 模型介绍 2.2 模型结构 2.3 模型特性 3.1 模型介绍 3.2 模型结构 3.3 模型特性

这是介绍径向基神经网络的视频，非常简单适用，适合从来不知道神经网络为何物的菜鸟。由于本人权限问题，只能分成5部分上传。为了方便大家下载，只有第一部分收资源分。这是第一部分。

一本非常详细又实用的caffe官方教程，特别适合刚刚入门的初学者，详细介绍了caffe各个层，还有如何进行训练和推理，是大家学习人工智能特别是caffe的必备教程。

复杂网络中常用的ER网络、BA网络、WS网络等常用网络的，Matlab代码 复杂网络中常用的ER网络、BA网络、WS网络等常用网络的，Matlab代码