Deep Residual Learning for Image Recognition（七月在线DL翻译组2017.4）

深度较之宽度对神经网络具有更重要的意义，能一定程度模拟人脑，但是随着深度的加深，会出现梯度消失问题，阻碍了模型的收敛。Deep Residual Learning for Image Recognition一文给出了一种避免梯度消失的网络模型-深度残差网络，对深度学习的发展至关重要。

Basic_CNNs_TensorFlow2 一些基本CNN的tensorflow2实现。 包括的网络： MobileNet_V1 MobileNet_V2 SE_ResNet_50，SE_ResNet_101，SE_ResNet_152，SE_ResNeXt_50，SE_ResNeXt_101 挤压网 ShuffleNetV2 RegNet 其他网络 对于AlexNet和VGG，请参见： : 对于InceptionV3，请参见： : 对于ResNet，请参阅： : 培养 要求： Python> = 3.6 Tensorflow> = 2.4.0 tensorfl

我们介绍了带变分推理的贝叶斯卷积神经网络，这是卷积神经网络（CNN）的一种变体，其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集（MNIST，CIFAR10，CIFAR100），如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现： BBB（Backprop的Bayes）： 基于。 该层分别对所有权重进行采样，然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT（使用本地重新参数化技巧的Backprop进行Bayes操作）： 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络？ 要创建自定义贝叶斯网络，请继承layers.m

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION非常经典的VGG-NET框架就是出自这篇文章

视觉识别的瓶颈变压器 实验 模型 参数（M） 累积（％） ResNet50基线（） 23.5百万 93.62 BoTNet-50 1880万 95.11％ BoTNet-S1-50 1880万 95.67％ 僵尸网络-S1-59 2750万 95.98％ BoTNet-S1-77 4490万 ip 概括 用法（示例） 模型 from model import Model model = ResNet50 ( num_classes = 1000 , resolution = ( 224 , 224 )) x = torch . randn ([ 2 , 3 , 224 , 224 ]) print ( model ( x ). size ()) 模块 from model import MHSA resolution = 14 mhsa = MHSA ( plan

MicroNet Improving Image Recognition With Extremely Low FLOPs

简介   Domain adaptation 可以解决不同域之间的偏移的问题。之前大多数的工作都没有考虑连续序列的问题，都是对于单一内容的。这篇文章中，作者提出了一个SSDAN的网络来做文本识别。其中的gateed attention similarity用来将源域和目标域的字符特征分布来对齐。对文本识别带来提升。 domain adaptation的好处   如何训练一个鲁棒的识别器能够很好地识别所有类型的字体？最直接的方法是使用所有类型的数据集来训练，拟合出一个很好地网络。但是数据集的标注需要巨大的消费，因此，如何无监督地使用数据集是一个很好地方法。使用domain adaptation是

本人对于深度残差网络理解以及深度残差网络论文原文（作者何凯明）

营养标签图像识别 这个项目是关于从食物包中识别营养成分的。 该项目将涵盖用于图像识别的大多数图像处理技术和算法。