总结了AlexNet的相关原理、网络结构，pytorch代码实现，以及如何创建自定义数据集，并对自定义花类数据集进行训练和测试。

前段时间学习了BP网络和CNN网络，做了一些笔记，整理了相关公式推导，以及一些扩展，算是比较全面的深度学习入门资料啦~

面罩检测 使用YOLO网络（Darknet）和更快的R-CNN网络（PyTorch）在Google Colab中进行面罩检测。 检测到3类：正确佩戴的口罩，错误佩戴的口罩和未佩戴的口罩。 设置和执行YOLO： 在您的Google云端硬盘中创建名为yolov3的文件夹 下载数据集（ ， ） 执行jupyter Notebook 对于测试，请执行detection_utils.py或对视频进行检测，请执行detect_video.py您可以使用video_converter.py从视频创建数据集，从视频到图像或从图像到视频。 设置和执行PyTorch： 在您的Google云端硬盘中创建一个名为rcnn的文件夹，然后以zip格式上传数据集。 下载数据集（ ， ） 执行jupyter Notebook 预训练重量： 在Kaggle数据集上已经预先训练了 （和）网络和权重（方法

八种CNN网络，识别MNIST数据集，模型有好有坏，需要自己训练。 环境：win10，python3.8。

cnn新闻分类

3D的unet CNN网络，用于3D图像的分割。效果还是不错的

Python+CNN+Tensorflow识别手势，目前做到了0-7的手势。文件为源代码和训练集。主要是调用OpenCV，预处理的主要步骤为：去噪 -> 肤色检测 -> 二值化 -> 形态学处理 -> 轮廓提取，其中最麻烦的两项为肤色检测和轮廓提取。去噪音：使用双边滤波器，该滤波器考虑了图像的空间关系，也考虑图像的灰度关系。双边滤波同时使用了空间高斯权重和灰度相似性高斯权重，确保了边界不会被模糊掉。然后，肤色检测和二值化处理采用YCrCb颜色空间的Cr分量+Otsu法阈值分割算法针对YCrCb中Cr分量的处理，对CR通道单独进行Otsu处理，Otsu方法opencv里用threshold，Otsu算法是对图像的灰度级进行聚类。

1、RML2016.10a_VTCNN2_example：CNN网络代码； 2、RML2016.10a_dict.pkl：官方数据集，这里传不了我放网盘上,链接: https://pan.baidu.com/s/1ODWI_U72tjT47re6UIftYQ 密码: 0otu； 3、Convolutional Radio Modulation Recognition Networks：网络对应的论文； 4、requirements：网络配置需要的环境； 我自己用的pycharm+anaconda3.5.1，在python2.7环境下跑的。亲侧可用，可以正常调用GPU加速。

猫狗图片的识别分类，通过一个Alexnet网络模型，对猫狗图片数据集进行训练，并保存模型

该代码是在学习深度学习的过程中，自行编写的代码，利用cnn网络来对mnist手写字符进行高精度的识别，并加入了详细的注释，非常适合作为初次接触深度学习的新手入门。欢迎下载。