深度学习框架pytorch入门与实践源代码 的案例非常入门易懂，总结概况清晰

windows下安装caffe的依赖库

Ubuntu下安装caffe所需要的内容

人工智能 深度学习 框架 TesnorFlow2 fashion数据集

Xshinnosuke_cpp是xshinnosuke的cpp版本。 XShinnosuke_cpp：深度学习框架Xshinnosuke_cpp是xshinnosuke的cpp版本。 由于xshinnosuke_cpp选择Eigen作为矩阵后端，并且Eigen仅支持Array和Matrix，换句话说，Eigen中的数据小于3维，因此xshinnosuke_cpp仅支持二维数据的运算，例如Linear（Pytorch中的Linear（线性）或Dense）在Keras中），relu，Sigmoid，批处理规范化等。有关更多功能或图层的详细信息，例如Conv2D，max_pool2d，嵌入，lstm等

深度学习与CV教程(8) - 常见深度学习框架介绍.doc

细节增强的matlab代码DMFLDA2 这是一个深度学习框架，可通过整合线性和非线性特征来增强用于预测lncRNA-疾病关联的传统矩阵分解方法。 要求 tensorflow == 1.3.0 numpy == 1.11.2 scikit-learn == 0.18 scipy == 0.18.1 用法 在这个GitHub项目中，我们提供了一个演示来展示DMFLDA的工作原理。 在data_processing文件夹中，我们提供了我们在研究中使用的以下数据集。 lda_interMatrix.mat是具有matlab格式的原始lncRNA-疾病相互作用矩阵。 它的形状是577个lncRNA x 272种疾病。 matrix.npy是numpy格式的lncRNA-疾病相互作用矩阵。 data.pkl用于存储采样的正样本和负样本。 u_feature.npy是我们研究中使用的SVD技术的U矩阵，其形状为577x64。 v_feature.npy是我们研究中使用的SVD技术的V矩阵，其形状为272x64。 在我们的演示中，我们提供了留一法的交叉验证来评估我们的模型。 您可以使用cross_v

基于深度学习框架ONNX的人脸识别系统，包含了使用图片路径进行识别、使用摄像头进行识别、提供Web接口的识别。 包含人脸检测、人脸识别、年龄性别识别、人脸关键点识别

阿尔茨海默氏病分类的可解释深度学习框架的开发和验证 这项工作发表在Brain （ ）中。 介绍 此回购包含PyTorch实施的深度学习框架，该框架从磁共振成像中描绘出可解释的阿尔茨海默氏病特征（3D疾病风险图），然后将其与年龄，性别和小脑力状态检查分数等多模式输入进行整合。 我们的框架将完全卷积网络（FCN）链接到多层感知器。 FCN生成特定于患者的3D疾病风险图（密集的本地预测），请参见下文。 FCN模型是在ADNI训练和验证集上开发的，其性能在ADNI测试集，3个外部测试数据集（包括NACC，AIBL和FHS数据集）上进行了评估。 所有位置的Matthews相关系数（MCC）值显示为MCC热图，以可视化每个位置上FCN的准确性。 MLP对诊断结果进行最终的全局预测。 为了验证目的，将预测的高风险区域与神经病变的发现进行了比较，并在这项工作中证明了模型预测区域与神经病变的发现之间的

深度学习框架下说话人识别综述