1.调节步伐：调节学习速率，使每一次的更新“步伐”不同 2.优化起点：合理初始化权重（weights initialization）、预训练网 1. 为什么神经

使用说明，参考：https://www.jianshu.com/p/8db0dd959897

通过yolov5实现火焰、烟雾识别或者检测： 1.如果需要训练数据集，可在我的资源列表中查找 并下载 2.内附数据集转换demo，可实现将json转换为yolo需要的.txt格式 3.内附整个训练过程中需要修改的文件及步骤相关的详细教程 4.本项目存放了我已经训练好的权重，可以直接进行预测 5.如有其他需要，可直接与我联系 本项目适合刚入门目标检测的小白、学生和研究员，直接下载可用，保姆级教程，感觉好的话欢迎点赞支持昂！

态势感知系统对数据信息的快速自主分析能力使其越来越多地应用于作战 指挥控制、智能安防及网络安全等领域。随着信息技术的发展和信息量的爆炸性 增长，构建能够自主挖掘数据信息并对环境态势拥有一定感知能力的态势感知系 统成为一项重要研究课题。态势感知系统的构建要对当前环境中存在的物体目标 进行类别及位置等属性的感知，然后综合各类传感器信息，分析各态势要素的状 态，并对其发展态势做出一定程度的预测估计。在整个态势感知系统中，对态势 要素即物体目标的发现及类别、位置等的分析是实现系统整体功能的基础和关键， 在众多传感器信息中，图像数据中的物体目标形象直观、时效性强、准确度高， 可以作为态势要素感知的主要信息源。但对于图像数据中物体目标的判别分析技 术研究一直以来都未达到实际应用水平，图像数据的复杂性和物体目标的不确定 性是造成技术研究瓶颈的主要原因。在图像目标数据智能识别研究领域，近几年， 深度学习技术的应用取得了突破性进展，引发了计算机视觉领域的革命性变革， 引起了学术界及工业界的广泛关注及研究。本文基于可见光图像数据和雷达图像 数据研究深度学习技术在态势感知系统中的应用，采用的深度神经网络模型为卷 积神经网络（Convolutional Neural Network, CNN），通过实现卷积神经网络模型 和以卷积神经网络为基础的扩展模型，力图解决态势感知系统中针对图像物体目 标识别的精度不足及效率低下问题，为态势感知系统中态势要素感知任务的实现 提供新的思路和解决方法，并为后续深度学习技术在该领域的应用提供参考

在绘画领域，AI应用发展得越来越常见也越来越成熟，不论你会不会绘画，只要在文本框内输入一句话甚至是几个简单的关键词，AI就会在几十秒内替你画出一幅画。 分享常见ai作画资源 ai作画资源-从Stable DiffusionNovelAI到NovelAI再到Naifu

#资源达人分享计划#

心脏病数据集（30万条，表格数据），经过数据清洗。 数据格式：Excel表格 包括的属性信息：HeartDisease BMI Smoking AlcoholDrinking Stroke PhysicalHealth MentalHealth DiffWalking Sex AgeCategory

各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV),包括推理时间，GFlops,FPS

简介：该垃圾分类项目主要在于对各种垃圾进行所属归类，本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类，最终移植在树莓派上进行实时视频流的垃圾识别。 前期：主要考虑PC端性能，并尽可能优化模型大小，训练可采用GPU，但调用模型测试的时候用CPU运行，测试帧率和准确性（测试10张左右图像的运行时间取平均值或实时视频流的帧率）。 后期：部署在树莓派端，在本地进行USB摄像头实时视频流的垃圾分类（归类）。 框架语言： keras+python。 PC端： Keras: 2.2.0 Opencv: 3.4 Python: 3.6 Numpy:1.16

为了帮助正在学习深度学习的伙伴们，川大的一名优秀毕业生，在GitHub上创建了一个项目：《深度学习500问》，通过问答的形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。 全书已达18个章节，近50万字，全是中文！！ 下面，我们来看一看该项目有哪些硬核干货吧！ 全书目录 该项目更确切地说是一本深度学习面试手册，500 问，非常详细。全书共分为 18 章，近 50 万字，目录如下： 数学基础 机器学习基础 深度学习基础 经典网络 卷积神经网络（CNN） 循环神经网络（RNN） 生成对抗网络（GAN） 目标检测 图像分割 强化学习 迁移学习 网络搭建及训练 优化算法 超参数调试 GPU 和框架选型 自然语言处理（NLP） 模型压缩、加速及移动端部署 后端