deep_setup非it(1).exe

Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects.

总共1000多页，很好的资料，着重讲DL4J。

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以

deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

This book is roughly divided into four sections. Chapter 1 presents a technique for embedding class labels into a feature set in such a way that generative exemplars of the classes can be found. Chapters 2 and 3 present signal and image preprocessing techniques that provide effective inputs for deep belief nets. Special attention is given to preprocessing that produces complex-domain features. Chapter 4 discusses basic autoencoders, with emphasis on autoencoding entirely in the complex domain. This is particularly useful in many fields of signal and image processing. Chapter 5 is a reference for the DEEP program, available as a free download from my web site.

裂纹检测系统 该项目使用 Python 的 OpenCV 库和深度学习来检测裂纹区域，并根据裂纹百分比警告驾驶员所需的速度限制。 描述 介绍页面：描述项目的页面 登录页面：用于登录网站 注册页面：用于注册到网站 索引页：这是我们输入前方道路图像的主页 输出页：在索引页上输入图像后，输出的道路被裂缝覆盖的百分比如下所示 使用 ResNet50（卷积神经网络）预训练的深度学习模型用于预测图像中的裂缝 输出显示裂纹百分比并使用此百分比警告 spped 限制。 使用的技术栈 HTML - 前端 CSS - 前端 BootStrap - 前端 Javascript - 前端 Django - 后端 Python - 深度学习模型 PostgreSQL - 数据库 安装和设置步骤 克隆存储库 git clone https://github.com/ak2502/crack-detection.git

我是武汉大学遥感信息工程大二学生，找到的一篇英文原版论文。论述了深度学习在遥感领域的应用。觉得此文对遥感专业，且对深度学习感兴趣的同学有一定指导意义。

resnet-18：ResNet-18的回购

用于文档图像变形的门控和分叉堆叠式U-Net模块 捕获文档图像是记录它们的最简单，最常用的方法之一。 但是，这些图像是在手持设备的帮助下捕获的，通常会导致难以消除的不良失真。 我们提出了一个监督的门控和分叉堆叠式U-Net模块，以预测变形网格并从输入中创建无失真的图像。 在对网络进行人工合成的文档图像训练时，将根据真实世界的图像来计算结果。 我们方法的新颖性不仅存在于U-Net的分叉中，以帮助消除网格坐标的混合，而且还存在于使用门控网络的情况下，该门控网络为模型增加了边界和其他分钟线级别的细节。 我们提出的端到端流水线仅在先前方法中使用的数据的8％进行训练后，就可以在DocUNet数据集上实现最新的性能。 要求 所需的软件包： 火炬（> 1.4.0） 火炬视觉（> 0.6.0） numpy（> 1.18.4） 要安装所有必需的软件包，请使用pip install -r requir