这是一个使用预训练的VGG19网络完成图片风格迁移的项目，使用的语言为python，框架为tensorflow。 给定一张风格图片A和内容图片B，能够生成具备A图片风格和B图片内容的图片C。

迁移学习（Transfer Learning）：Matlab预训练模型的原始安装程序，用于特征提取、表达、目标识别等诸多任务

一些相关的迁移学习论文的代码以及数据集，DAAN,DAN,DaNN,DDC,DeepCoral,ResNet,AlexRet,MRAN,TCP等等，包括一些常用的数据集，内容详细，需要的可以下载。

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

如何从少数训练样本中学习并识别新的类别对于深度神经网络来说是一个具有挑战性的问题。针对如何解决少样本学习的问题，全面总结了现有基于深度神经网络的少样本学习方法，涵盖了方法所用模型、数据集及评估结果等各个方面。具体地，针对基于深度神经网络的少样本学习方法，提出将其分为数据增强方法、迁移学习方法、度量学习方法和元学习方法四种类别；对于每个类别，进一步将其分为几个子类别，并且在每个类别与方法之间进行一系列比较，以显示各种方法的优劣和各自的特点。最后强调了现有方法的局限性，并指出了少样本学习研究领域未来的研究方向。

在工厂和工作场所，有很多情况下，人们可以通过视觉读取仪表值，但越是连续执行，工人的负担就越大，并且可能会发生人为错误。有许多基于规则的图像处理工作，但要创建可在任何环境中使用的稳健算法并不容易。 在此示例代码中，相机获取的仪表值是使用深度学习来预测的。这是自定义用于回归图像判断的训练过的 CNN (AlexNet) 并将仪表值（连续值）应用于读数的示例。 AlexNet 的训练网络可在此处获得。 https://jp.mathworks.com/matlabcentral/fileexchange/59133-deep-learning-toolbox-model-for-alexnet-network [Keyward]图像处理、计算机视觉、深度学习、机器学习、CNN、IPCV演示、深度学习、机器学习、回归、回归、迁移学习

pytorch 迁移学习实战，天气识别

1. 是动物的数据集。 2. 是从网上挑选出200张羊驼与熊猫的图片作为训练集。

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。

Alexnet交互式迁移学习