压缩包包含 1：EMNIST数据集压缩包 2：EMNIST转化为图片后的格式（PNG） 3：EMNIST数据集转化为图片代码 EMNIST数据集介绍：名字的由来为，Extended MNIST (EMNIST), 一个在手写字体分类任务中更有挑战的 Benchmark EMNIST 主要分为以下 5 类： 1：By_Class ： 共 814255 张，62 类，与 NIST 相比重新划分类训练集与测试机的图片数 2：By_Merge： 共 814255 张，47 类， 与 NIST 相比重新划分类训练集与测试机的图片数 3：Balanced : 共 131600 张，47 类， 每一类都包含了相同的数据，每一类训练集 2400 张，测试集 400 张 4：Digits ：共 28000 张，10 类，每一类包含相同数量数据，每一类训练集 24000 张，测试集 4000 张 5：Letters : 共 145600 张，26 类，每一类包含相同数据，每一类训练集5600 张，测试集 800 张

最全最新最受欢迎深度学习入门301页PPT，李宏毅老师讲解涵盖深度学习发展进程，算法演进，实例分析，基础实验，图文并茂，深入浅出，揭开深度学习神秘面纱，窥探里面的真实世界,读完收益匪浅

Abstract The style-based GAN architecture (StyleGAN) yields state-of-the-art results in data-driven unconditional generative image modeling. We expose and analyze several of its characteristic artifacts, and propose changes in both model architecture and training methods to address them. In particular, we redesign generator normalization, revisit progressive growing, and regularize the generator to encourage good conditioning in the mapping from latent vectors to images. In addition to improving image quality, this path length regularizer yields the additional benefit that the generator becomes significantly easier to invert. This makes it possible to reliably detect if an image is generated by a particular network. We furthermore visualize how well the generator utilizes its output resolution, and identify a capacity problem, motivating us to train larger models for additional quality improvements. Overall, our improved model rede- fines the state of the art in unconditional image modeling, both in terms of existing distribution quality metrics as well as perceived image quality.

适合再次领域内研究的初学者，内含数据集和算法

面向科研和产品化的深度学习和强化学习库（TensorLayer开源中国官方镜像）

AKG(Auto Kernel Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。AKG与MindSpore的图算融合功能协同工作，可提升在不同硬件后端上运行网络的性能。AKG由三个基本的优化模块组成：规范化、自动调度和后端优化。规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算公式IR进行规范化。规范化模块中的优化主要包括自动运算符inline、自动循环融合和公共子表达式优化等。自动调度： 自动调度模块基于polyhedral技术，主要包括自动向量化、自动切分、thread/block映射、依赖分析和数据搬移等。后端优化： 后端优化模块的优化主要包括TensorCore使能、双缓冲区、内存展开和同步指令插入等。

Ascend CANN Parser（简称parser）配合TF_Adapter、 ATC工具、IR构图等使用，开发者通过以上工具，借助parser能方便地将第三方框架的算法表示转换成Ascend IR，充分利用昇腾AI处理器卓越的运算能力。

X2Paddle支持将其余深度学习框架训练得到的模型，转换至PaddlePaddle模型。X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，我们还提供了详细的不同框架间API对比文档，降低开发者上手飞桨核心的学习成本。目前已经支持Caffe/TensorFlow/ONNX/PyTorch四大框架的预测模型的转换，PyTorch训练项目的转换，涵盖了目前市面主流深度学习框架。支持的模型丰富丰富，在主流的CV和NLP模型上均支持转换，涵盖了19+个Caffe预测模型转换、27+个TensorFlow预测模型转换、32+个ONNX预测模型转换、27+个PyTorch预测模型转换、2+个PyTorch训练项目转换

TF Model building/training/evaluating for simple nlp task just by params configuration, training/evaluating monitor and params configure GUI with streamlit.

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目