人头检测，采用YOLO7TINY训练模型，只需要OPENCV和ONNX，不需要其他依赖。C++和PYTHON语言都有

照片卡通化，只需要OPENCV和ONNX，VC++可以直接包含头文件、库文件，将图片卡通化，傻瓜式操作，有C++和PYTHON两种版本

视频内容摘取，只需要OPENCV和ONNX，能将里面的人物摘取出来，有C++和PYTHON两种版本

VGG原版论文，重点标注

Inception v1原版论文，已标注重点

ResNet残差网络原版论文，已标注重点

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

重要知识点经过批注的AlexNet论文原版

SIRT算法其思想在于利用通过该像素的全部射线，其迭代过程对图像每个像素的更新量是对所有投影线的修正按照贡献因子取加权平均，然后反投影得到。与ART每条投影线都对图像更新一次不同，SIRT算法综合了所有投影线的贡献，可以避免一条投影线上的误差对重建结果带来过大影响，因而可以有效抑制重建图像中的噪声。 2、算法实现步骤 （1）对第 条射线，计算估计投影值 （2）计算实际投影与估计投影的误差 （3）反投影值 其中， 是所有投影角度下光线的集合. （4）对第 个像素点的值进行修正 （5）将上一轮的结果作为初值，重复（1）~（4）的过程，直到达到收敛要求或指定的迭代次数。 因此，SIRT算法的迭代公式为： 其中， 是松弛因子， 是迭代次数。 3、优缺点分析 由于SIRT算法对所有投影线的修正量进行了加权平均，显著地降低了迭代的收敛速度。另一方面，对每个像素更新时，需要计算好所有投影线的贡献，因此在实际计算中需要对各个投影线的贡献量进行存储，存储量至少比ART算法多一倍。因此，SIRT算法具有更好的稳定性，但是收敛速度慢、存储容量大，此两点成为影响其应用的主要问题。

内容概要：人工智能CV入门Vgg16迁移学习猫狗分类实战代码及数据集；本内容为使用Pytorch对计算机视觉中的Vgg16迁移学习进行实战编码。本内容包含了实战教程使用的数据集及代码的jupyter notebook 能学到什么：通过此资源你可以学习到如何通过pytorch框架及python语言进行简单的计算机视觉中的Vgg16迁移学习猫狗分类算法实战，你可以对该算法有更加深入的理解，并且你也可以获得更强的实战能力。