收集的HotChips2018的会议演讲ppt，包含Day1和Day2的所有演讲主题，总共27个ppt

得来的完整原版pdf，共361页，不是图片版，有索引，自然语言入门神书，豆瓣评分9.1

前言 CrowdNet模型是2016年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。 本项目开发环境为： Windows 10 Python 3.7 PaddlePaddle 2.0.0a0 CrowdNet模型实现 以下是CrowdNet模型的结构图，从结构图中可以看出，CrowdNet模型是深层卷积网络（Deep Network）和浅层卷积网络（Shallow Network）组成，两组网络通过拼接成一个网络，接着输入到一个卷积核数量和大小都是1的卷积

非官方的PyTorch实现 Kevin Clark的。 Minh-Thang Luong。 Quoc V. Le。 克里斯托弗·曼宁 复制结果 我从头开始对ELECTRA-small进行了预培训，并已在GLUE上成功复制了论文的结果。 模型 可乐 SST MRPC STS QQP MNLI 秦皇岛 RTE 平均的平均值 电子小OWT 56.8 88.3 87.4 86.8 88.3 78.9 87.9 68.5 80.36 ELECTRA-Small-OWT（我） 58.72 88.03 86.04 86.16 88.63 80.4 87.45

Deeplearning深度学习笔记v5.53 吴恩达机器学习笔记更新--在这 5 堂课中，学生将可以学习到深度学习的基础，学会构建神经网络，并用在包括吴 恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization 对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学 习常用的网络结构、工具和知识都有涉及。

K210芯片的linux开发工具链

国外共享单车数据集，可用来入门神经网络的学习！！！

dbn matlab代码深度学习及其在网络数据中的应用 通过使用深度信念网络对权重进行预训练，可以成功地训练具有任意数量的隐藏层的人工神经网络（ANN）（Hinton 2006）。 在这里，我们使用上述预训练方法在R中提供了一个深层的ANN（具有许多隐藏层的ANN）实现。 实现了两种使用模式-分类和自动编码器。 后者是用于重构输入的ANN变体，可用于降低尺寸，因为可以提取较低维度的中间“已编码”层。 此实现已在MNIST数字数据集上进行了测试。 还包括一个用于网络数据集Reality Mining的应用程序，其中使用深度自动编码器在聚类之前对数据进行预处理，以获得更好的结果。 代码文件说明 Main.R. 用于在MNIST数字数据集上运行深度ANN实现的主文件。 可以在主文件中调整参数和设置，包括使用模式：分类或自动编码器。 nn.R. 使用反向传播训练的神经网络的实现。 提供了两种模式：分类和自动编码器，可以使用任意数量的隐藏层。 对于分类，当前仅执行二进制分类，但可以轻松地适用于K个类别，K> = 3。 dbn.R. 深度信念网络的实现，该模型用于预训练深度神经网络的权重。 如果未

适用于初学deeplearning的初学者，方便笔记

movie lens 数据集的tony版本，用于推荐实验