人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

MATLAB实现DNN神经网络多输入多输出预测（完整源码和数据） DNN深度神经网络/全连接神经网络，数据为多输入多输出预测数据，输入10个特征，输出3个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

数据获取、模型训练、图片上传、图片识别．

深度神经网络3D可视化工具 Zetane，windows版本

针对6G时代将会是移动通信与人工智能紧密结合的时代，产生数量庞大的边缘智能信号处理节点的趋势，提出了一种可部署于资源受限的边缘设备上的高效智能电磁信号识别模型。首先，通过绘制电磁信号的星座图将电磁信号具象为二维图像，并根据归一化点密度对星座图上色以实现特征增强；然后，使用二值化深度神经网络对其进行识别，在保证识别准确率的同时明显降低了模型存储开销以及计算开销。采用电磁信号调制识别问题进行验证，实验选取常用的8种数字调制信号，选择加性高斯白噪声为信道环境。实验结果表明，所提方案可以在信噪比为-6～6 dB的噪声条件下获得96.1%的综合识别率，网络模型大小仅为166 KB，部署于树莓派4B的执行时间为290 ms，相比于同规模的全精度网络，准确率提升了0.6%，模型缩减到

Opencv使用Fast Neural Style实现图像风格迁移，Opencv代码实现，Python语言实现

基于深度神经网络的交通灯检测算法研究与实现，张逸凡，傅慧源，交通灯检测技术是自动驾驶系统的重要组成部分，但是传统方法的交通灯检测技术存在准确率低，算法速度慢等弊端。基于深度神经网络

最初的版本P_human、蒙特卡洛树搜索、P_human和蒙特卡洛树搜索结合、左右互搏，增强学习、价值网络、深度神经网络+蒙特卡洛搜索树+价值网络

主要为大家详细介绍了python构建深度神经网络DNN，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

中文翻译：Architecture Design for Highly Flexible and Energy-Efficient Deep Neural Network Accelerators (翻译结果) 这个是我付费翻译的，但是也难免有些许错误。可以先看看摘要的翻译效果。 摘要 深度神经网络(DNNs)是现代人工智能(AI)的支柱。然而，由于其高计算复杂度和多样化的形状和尺寸，能够在广泛的dnn上实现高性能和能源效率的专用加速器对于使AI在现实世界的应用至关重要。为解决这个问题，本文提出Eyeriss，一种用于DNN处理的软硬件架构联合设计，针对性能、能源效率和灵活性进行了优化。Eyeriss具有一种新颖的RowStationary (RS)数据流，可在处理DNN时最小化数据移动，这是性能和能效的瓶颈。RS数据流支持高度并行处理，同时充分利用多级存储层次中的数据重用，以优化任何DNN形状和大小的整体系统能量效率。与现有的其他数据流相比，rs数据流的能量效率提高了1.4到2.5倍。