In order to improve the tracking and stabilization performance of three-axis gyro stabilized platform, an adaptive decoupling control based on neural networks is developed. The dynamic model of three-axis GSP is developed based on traditional Newton–Euler method. The nonlinearity and coupling system is full-state-linearized using feedback linearization, and neural networks are used to compensate for the disturbances and uncertainties. The stability of the proposed scheme is analyzed by the

CVPR2020:组合卷积神经网络:对部分遮挡物具有天生鲁棒性的深度架构_论文阅读

KoSpacing：带R的自动朝鲜语单词间距

PipeCNN：用于卷积神经网络的基于OpenCL的FPGA加速器

使用CycleGAN进行图像域转换：用于图像域转换的深度学习的MATLAB示例

TensorFlow对象计数API TensorFlow对象计数API是一个基于TensorFlow和Keras构建的开源框架，可轻松开发对象计数系统。 如果您需要专业的物体检测，跟踪和计数项目，请与我们联系！ 快速演示 累计计数模式（TensorFlow实现）： 实时计数模式（TensorFlow实现）： 对象跟踪模式（TensorFlow实现）： 跟踪模块是基于构建的。 单个图像上的对象计数（TensorFlow实现）： 基于对象计数的R-CNN（）： 基于对象分割和计数的Mask R-CNN（）： 奖励：自定义对象计数模式（TensorFlow实现）： 您可以使用自己的训练数据来训练TensorFlow模型以构建自己的自定义对象计数器系统！ 如果您想学习如何做，请查看下面的示例项目，其中涵盖了迁移学习的一些理论并展示了如何将其应用到有用的项目中。 示例项目1：蓝精灵计数 更多信息可以在找到！ 示例项目2：Barilla-Spaghetti计数 更多信息可以在找到！ 开发正在进行中！ 该API将很快更新，此仓库中将提供更多才华横溢且轻巧的API！ 将添加详细的API文

Gorgonia是一个有助于在Go中促进机器学习的图书馆。 轻松编写和评估涉及多维数组的数学方程式。 如果听起来像或 ，那是因为想法很相似。 具体来说，该库是像Theano这样的低级库，但具有更高的目标（如Tensorflow）。 Gorgonia： 可以执行自动区分 可以执行符号区分 可以执行梯度下降优化 可以进行数值稳定 提供许多便利功能来帮助创建神经网络 相当快（与Theano和Tensorflow的速度相比） 支持CUDA / GPGPU计算（尚不支持OpenCL，发送拉取请求） 将支持分布式计算 目标 Gorgonia的主要目标是成为一个高性能的基于机器学习/图形计算的库，可以跨多台机器进行扩展。 它应该将Go（简单的编译和部署过程）的吸引力带给ML世界。 目前距离那里还有很长的路要走，但是婴儿台阶已经在那里。 Gorgonia的次要目标是提供一个探索非标准深度学习和神经网络相关事物的平台。 这包括诸如新希伯来语学习，切角算法，进化算法之类的东西。 为什么要使用G草？ 使用Gorgonia的主要原因是让开发人员感到舒适。 如果您正在广泛使用Go堆栈，现在就可以在已

培训关于批处理AI的分布式培训 此仓库是有关如何使用Batch AI以分布式方式训练CNN模型的教程。 涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。 图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。 对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。 在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。 在这些情况下使用分布式培训有助于缩短培训时间。 在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50 CNN模型。 本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。 有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。 当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。 在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。 每个设备都

DeepRank Learning to rank with neural networks for recommendation.pdf

3D卷积说话人识别：用于说话人验证的深度学习和3D卷积神经网络