如果发现有用，请加注仓。令人敬畏的TFLite TensorFlow Lite（TFLite）是一组工具，可帮助转换和优化TensorFlow模型以在移动设备和边缘设备上运行-当前运行于40亿以上。发现它有用...令人敬畏的TFLite TensorFlow Lite（TFLite）是一组工具，可帮助转换和优化TensorFlow模型以在移动设备和边缘设备上运行-目前在超过40亿个设备上运行！ 使用TensorFlow 2.x，您可以使用tf.Keras训练模型，轻松地将模型转换为.tflite并进行部署; 或者您可以从模型动物园下载经过预训练的TFLite模型。 这是TFLite模型的精选列表，其中包括示例应用，模型动物园，有用的工具和

WSDDN PyTorch 使用最新版本的PyTorch实施Weakly Supervised Deep Detection Networks 。 Bilen, H., & Vedaldi, A. (2016). Weakly supervised deep detection networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2846-2854). 实施差异 亚当优化器（而不是SGD） 未添加空间正则化器 实验 基于VGG16的模型最接近EB + Box Sc. L型案例，报告为30.4 mAP 基于AlexNet的模型最接近EB + Box Sc. 模型S的案例，报告为33.4 mAP 将VGG16用作基本模型时的结果 航空 自行车

个人对《mathematics of deep learning》的一点理解。

Kymatio：Python中的小波散射 Kymatio是Python编程语言中的小波散射变换的实现，适用于信号处理和机器学习中的大规模数值实验。 散射变换是实现为卷积网络的平移不变信号表示形式，其滤波器不是学习的而是固定的（作为小波滤波器）。 如果需要以下库，请使用Kymatio： 支持一维，二维和三维小波， 将小波散射集成到深度学习架构中，并且 通过主要的深度学习API（例如PyTorch和TensorFlow）在CPU和GPU硬件上无缝运行。 Kymatio环境 灵活性 Kymatio组织将几个预先存在的小波散射软件包的开发人员联系在一起，包括ScatNet ， scatterin

使用深度学习中的高级主题，例如优化算法，超参数调整，丢失和错误分析，以及解决训练深度神经网络时遇到的典型问题的策略。您将首先研究激活函数，主要是使用单个神经元（ReLu，Sigmoid和Swish），了解如何使用TensorFlow执行线性和逻辑回归，并选择正确的成本函数。 下一节将讨论具有多个层和神经元的更复杂的神经网络架构，并探讨权重随机初始化的问题。整章专门介绍神经网络误差分析的完整概述，给出了解决来自不同分布的方差，偏差，过度拟合和数据集的问题的示例。 Applied Deep Learning还讨论了如何在不使用除NumPy之外的任何Python库的情况下完全从头开始实现逻辑回归，让您了解TensorFlow等库如何实现快速有效的实验。包括每种方法的案例研究，以实施所有理论信息。您将发现编写优化的Python代码的技巧和窍门（例如使用NumPy进行矢量化循环）。

压缩包里面包含： Eyeriss v1版本：Eyeriss-An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks Eyeriss v2版本（基于v1的升级版）：Eyeriss v2: A Flexible and High-Performance Accelerator for Emerging Deep Neural Networks Eyeriss project的站点信息：http://eyeriss.mit.edu/

NestFuse：基于Nest连接和空间/通道注意模型的红外可见图像融合体系结构 ，吴晓军*，塔里克·杜兰尼（Tariq S.Durrani） IEEE Transactions on Instrumentation and Measurement，Volume：69，issue：12，pp.9645-9656，2020年12月。 平台 Python 3.7 火炬> = 0.4.1 分析指标 在“ analysis_metrics_in_paper”中，包含了七个在我们的论文中使用的指标。 融合框架 （T. Y。Lin，M.Maire，S.Belongie，J.Hays，P.Perona，D.Ramanan，P.Dollar和CL Zitnick。Microsoft coco：上下文中的常见对象。在ECCV中，2014。3-5。）来训练我们的自动编码器网络。 融合策略（两种注意力模

pytorch-vsumm-reforce 此存储库包含AAAI'18论文的Pytorch实施-。 原始的Theano实现可以在找到。 主要要求是 （ v0.4.0 ）和python 2.7 。 和可能未安装在您的计算机中。 请安装其他缺少的依赖项。 开始吧 下载预处理的数据集 git clone https://github.com/KaiyangZhou/pytorch-vsumm-reinforce cd pytorch-vsumm-reinforce # download datasets.tar.gz (173.5MB) wget http://www.eecs.qmul.ac.uk/~kz303/vsumm-reinforce/datasets.tar.gz tar -xvzf datasets.tar.gz 分割 python create_split.py -d da

包含bvlc_googlenet.caffemodel、bvlc_googlenet.prototxt、synset_words.txt文件，可以用于opencv的dnn模块的测试

深度残差收缩网络 深度残差收缩网络是深度残差网络（ResNets）的一种变体，旨在提高高噪声信号或复杂背景下的特征学习能力。 尽管该方法最初是为基于振动的故障诊断而开发的，但也可以应用于图像识别和语音识别。 主要的创新是将软阈值作为非线性转换层集成到ResNets中。 此外，阈值是由专门设计的子网自动确定的，因此不需要专业的专家来确定阈值。 该方法使用TensorFlow 1.0.1，TFLearn 0.3.2和Keras 2.2.1实现，并应用于图像分类。 代码中构造了一个带有3个剩余收缩块的小型网络。 可以使用更多的块和更多的训练迭代来获得更高的性能。 抽象的： 本文提出了一种新的深度学习方法，即深度残差收缩网络，以提高来自高噪声振动信号的特征学习能力，并实现较高的故障诊断精度。 将软阈值作为非线性转换层插入到深层体系结构中，以消除不重要的功能。 此外，考虑到为阈值设置适当的值通常