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

使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

人工智能基础视频教程零基础入门课程 第十四章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架

基于元算子的深度学习框架缺陷检测方法

人工智能-项目实践-知识图谱-基于Pytorch和torchtext的知识图谱深度学习框架。 根据知识图谱发展报告2018相关介绍，框架主要设计为有以下五大功能： 知识表示学习， Knowledge Representation Learning 实体识别与链接， Entity Recognition and Linking 实体关系抽取， Entity Relation Extraction 事件检测与抽取， Event Detection and Extraction 知识存储与查询， Knowledge Storage and Query 知识推理， Knowledge Reasoning

基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌

去年 5 月，github上出现一款名为 ML Visuals 的机器学习画图模板，该项目受到广泛关注，迄今已收获 6.1K Star。ML Visuals 专为解决神经网络画图问题设计。ML Visuals 现在包含了 100 多个可用的自定义图形，使用者可以在任何论文、博客、PPT 中使用这些资源。这份 101 页的模板共包含几个部分：基础组件、架构、机器学习概念、抽象背景、渐变背景、机器学习 & 健康、其他、机器学习系统设计。这套画图模板首先提供了多种基础组件，比如表示过程、操作或转换的圆角矩形，表示神经元或任意操作的小圆圈，表示向量的一排小方块以及表示多维数组的网格等。 PPT更新至2021.11.11，有215页.

LightNet是一个轻量级、多功能且纯粹基于Matlab的深度学习框架。设计的目的是为深度学习研究提供一个易于理解、易于使用和高效的计算平台。实现的框架支持主要的深度学习体系结构，如多层感知器网络（MLP）、卷积神经网络（CNN）和递归神经网络（RNN）。LightNet支持CPU和GPU进行计算，两者之间的切换非常简单。实验展示了在计算机视觉、自然语言处理和机器人技术中的不同应用。