这是一组幻灯片和示例代码，介绍了从设置到模型构建的所有内容，以便即使是 MATLAB 初学者也可以尝试深度学习。您可以边移动手边学习以下内容。 1.准备·学习深度学习的步骤·环境构建·MATLAB基本操作·学习网络的安装·图像准备·与GPU的连接2. 分类、模型执行、10行迁移学习、图像扩展、学习参数、深度网络设计器（GUI）模型创建、可视化功能、原始GUI创建（分数判断、误判图像保存）・ 通过 Grad-CAM 可视化感兴趣的区域 ・ 使用相机进行推理 ・ 通过分类和贝叶斯优化通过 CNN + SVM 进行参数调整 ・ 分类学习器应用 ・ 通过 1class SVM（无监督学习）进行异常检测3. 推理代码的分发/EXE分发/创建的GUI的EXE分发 Next step [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、

通过SVM和超像素分割进行光谱空间高光谱图像分类

CNN-On-The-Cloud- 用于为Fashion MNIST数据集构建图像分类器的代码。 使用Keras库构建并在FloydHub云平台上接受培训。 您可以在签出相应的“中型”文章 您可以通过单击下面的按钮快速获得此代码并在云上运行。

深度学习是近几年图像识别领域的一门新兴技术，能够自动学习影像深层次特征 从而进行准确的分类决策，为得到更好的高分辨率遥感影像分类结果带来新的契机

1.用Mxnet实现图像分类——比较LR & MLP & CNN区别 2.图像数据包括43种交通指示牌图像，每种图像数量200多，总图像数量为10000+ 3.主要代码为ipynb格式，内含判分模块 4.Mxnet网上教程非常少，此资源可作为学习Mxnet&CV的很好参考资料

集合了卷积神经网络从神经网络分类Alnex,GoogleNet v1-v4,VGG,Resnet,Network in Network论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3

CIFAR-10数据集的所有图像已全部保存至压缩包内

本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，模型使用最经典的resnet50，演示如何实现混合精度训练以及如何使用DDP的方式实现多卡并行训练。 通过本文你和学到： 1、如何使用混合精度训练？ 2、如何制作ImageNet数据集？ 3、如何使用DDP方式的进行多卡训练？ 4、如何使用Mixup数据增强。 5、如何进行多卡BN同步？ 6、如何使用余弦退火调整学习率？ 7、如何使用classification_report实现对模型的评价。 8、预测的两种写法。 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124196817

【OpenCV】基于ResNet和Caffe模型的图像分类文章中的相关文件

在CIFAR10数据集上做的图像分类任务，使用了多个主流的backbone网络，希望可以为想要入门深度学习的同志们，提供一个方便上手、容易理解的教程。