NumpyDL：Numpy深度学习库 内容描述 NumpyDL是： 基于纯Numpy / Python 对于DL教育 特征 其主要特点是： 纯洁的脾气暴躁 原生于Python 基本支持自动区分 提供了常用的模型：MLP，RNN，LSTM和CNN 几个AI任务的示例 对于玩具聊天机器人应用 文献资料 可用的在线文档： 最新文件 开发文档 稳定文档 可用的离线PDF： 最新PDF 安装 使用pip安装NumpyDL： $ > pip install npdl 从源代码安装： $ > python setup.py install 例子 NumpyDL提供了一些AI任务示例： 句子分类 示例/lstm_sentence_classification.py中的LSTM 例子中的CNN / cnn_sentence_classification.py mnist手写识

Java Deep Learning Essentials 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

Java Deep Learning Essentials 英文版 2016

深度学习 [deep learning] AI圣经 Deep Learning 英文版 ( 花书 ) ，[美] Ian，Goodfellow，[加] Yoshua，Bengio，[加] Aaron ... 著

火炬指标 PyTorch的模型评估指标 火炬指标作为自定义库，以提供Pytorch共同ML评价指标，类似于tf.keras.metrics 。 如，Pytorch没有用于模型评估指标的内置库torch.metrics 。 这类似于的指标库。 用法 pip install --upgrade torch-metrics from torch_metrics import Accuracy ## define metric ## metric = Accuracy ( from_logits = False ) y_pred = torch . tensor ([ 1 , 2 , 3 , 4 ]) y_true = torch . tensor ([ 0 , 2 , 3 , 4 ]) print ( metric ( y_pred , y_true )) ## define metri

深度SVDD的PyTorch实现 该存储库提供了我们的ICML 2018论文“深度一类分类”中介绍的Deep SVDD方法的实现。 引用与联系 您可以在找到《深层一类分类ICML 2018》论文的PDF。 如果您使用我们的作品，也请引用以下文章： @InProceedings{pmlr-v80-ruff18a, title = {Deep One-Class Classification}, author = {Ruff, Lukas and Vandermeulen, Robert A. and G{\"o}rnitz, Nico and Deecke, Lucas and Siddiqui, Shoaib A. and Binder, Alexander and M{\"u}ller, Emmanuel and Kloft, Marius}, bookti

– Volume 2 – 20 Deep Learning 21 Convolutional Neural Nets (CNNs) 22 Recurrent Nerual Nets (RNNs) 23 Keras Part 1 24 Keras Part 2 25 Autoencoders 26 Reinforcement Learning 27 Generative Adversarial Networks (GANs) 28 Creative Applications 29 Datasets 30 Glossary

SincNet SincNet是用于处理原始音频样本的神经体系结构。 这是一种新颖的卷积神经网络（CNN），它鼓励第一个卷积层发现更多有意义的滤波器。 SincNet基于参数化的Sinc函数，这些函数实现了带通滤波器。 与学习每个滤波器的所有元素的标准CNN相比，所提出的方法只能从数据中直接学习低和高截止频率。 这提供了一种非常紧凑而有效的方式来导出专门针对所需应用进行了调整的定制滤波器组。 该项目发布了一系列代码和实用程序，可通过SincNet进行说话人识别。 使用TIMIT数据库提供了说话人识别的示例。 如果您对应用于语音识别的SincNet感兴趣，可以查看PyTorch-Kaldi

Deep Learning for Computer Vision with Python Practioner Bundle + Starter Bundle by Adrian Rosebrock of PyImageSearch

Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects.