设计了一种基于深度迁移学习模型,对多种常见的可回收垃圾图像进行识别分类的垃圾图像分类系统.对比了VGG16、InceptionV3、InceptionResnetV2预训练模型的性能,最优识别正确率达到了90%以上,并进一步设计了基于Flask的Web应用调用模型.

多粒度深度特征学习可实现强大的行人检测

动态路由 项目描述： 为了测试动态网络上各种路由算法的性能，我们在网络上创建了一个数据包路由仿真，该仿真在一系列时间步长上进行离散更新。 在整个仿真过程中，随机选择边缘以消失并在每个时间步进行恢复。 另外，在整个情节中，边缘权重以正弦形式波动。 在每个情节的开始，网络上都会生成许多数据包（网络负载），每个数据包都有一个随机的起始节点和目标节点。 每次传送数据包时，都会在一些时间步长后初始化一个新数据包。 一旦生成了一定数量的数据包并在网络上传递，该情节就结束了。 然后计算平均分组传送时间和各种网络拥塞度量。 该模拟要求路由器根据一种路由算法为每个数据包确定路径。 特别是对于这个项目，我们探索通过Dijkstra算法的最短路径，通过Floyd-Warshall算法的最短路径，通过各种奖励函数的Q学习，以及Deep Q Learning。 要求： 网络X FFmpeg（用于动画制作）

DRL_Navigation Udacity深度强化学习课程的第一个项目 ## Setup环境此项目是由Anaconda开发的，建议在使用它的同时进行相同的操作。 要创建新的conda环境，请运行以下conda create --name drlnd python = 3.6 出现提示时继续。 Conda应该安装所有必需的软件包。 激活环境：conda activate drlnd 使用以下命令安装正确版本的pytorch： conda install pytorch=0.4.0 -c pytorch 我们正在使用的环境仅在需要单独下载时才可用。 从下面的链接之一下载环境。 您只需要选择与您的操作系统匹配的环境： Linux： Mac OSX： Windows（32位）： Windows（64位）： 解压缩刚刚下载的环境，并将其包含的文件夹放置在与此存储库相同的目录中。

深度强化学习在通信和网络中的应用：一项调查

基于深度对抗学习的智能模糊数据生成方法

深度补丁学习，用于弱监督的对象分类和发现

深度强化学习系列论文，包括最基础的DQN，DQN模型改进，DQN算法改进，分层DRL，基于策略梯度的深度强化学习等等，论文基本源自顶会

深度学习资料集合：(1.1.1)--神经网络基础.pdf，(1.4.1)--银行客户流失预测.pdf，(2.1.1)--深度学习应用概况.pdf，(3.1.1)--卷积神经网络基础.pdf，(3.11.1)--卷积笔记.pdf，(4.1.1)--卷积神经网络算法.pdf，(4.7.1)--VGG动物识别.pdf，(5.1.1)--循环神经网络模型.pdf，(5.7.1)--股票预测.pdf，(6.1.1)--目标检测.pdf，(6.14.1)--任务检测.pdf，(7.1.1)--生成对抗网络.pdf，(7.3.1)--自编码器.pdf，(7.9.1)--GAN用于手写体生成.pdf，(8.1