训练模型主要分为五个模块：启动器、自定义数据加载器、网络模型、学习率/损失率调整以及训练可视化。

深度学习的matlab工具箱，包括DBN,堆叠去噪自编码器SDAE和NN，文档中有解释每个函数的pdf文件。清晰易懂非常好用，分享在这里

快速入门keras，这个是keras官网的中文翻译版本，写得还是比较详细的，适合刚入门的学习

这个真的可以有，初学深度学习的人不容错过，吴恩达的这个课程的重要性应该不用多说了吧。

课件，实验 A*算法，ID3决策树，强化学习Q-learning 课件，实验 A*算法，ID3决策树，强化学习Q-learning 课件，实验 A*算法，ID3决策树，强化学习Q-learning 课件，实验 A*算法，ID3决策树，强化学习Q-learning 课件，实验 A*算法，ID3决策树，强化学习Q-learning 课件，实验 A*算法，ID3决策树，强化学习Q-learning 课件，实验 A*算法，ID3决策树，强化学习Q-learning

山东大学2020年深度学习复习提纲

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题, 提出了一种基于深层残差网络的加速图像超分辨率重建方法, 该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度, 通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射, 只在网络的末端引入子像素卷积层, 将像素进行重新排列, 得到高分辨率图像。实验结果表明, 在set 5, set 14, BSD100测试集上, 所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法, 能够恢复更多的图像细节, 图像边缘也更加完整且收敛速度更快。

随着深度学习技术的快速发展，许多研究者尝试利用深度学习来解决文本分类问题，特别在卷积神 经网络和循环神经网络方面，出现了许多新颖且富有成效的分类方法。本文对基于深度神经网络的文本分类问题进行分析。

用于人类活动识别的深度学习 深度学习可能是人类活动识别最近的未来。 虽然现有的非深度方法有很多，但我们仍然想释放深度学习的全部力量。 这个 repo 提供了一个使用深度学习来执行人类活动识别的演示。 我们同时支持 Tensorflow 和 Pytorch。 先决条件 Python 3.x 麻木 Tensorflow 或 Pytorch 1.0+ 数据集 有许多用于人类活动识别的公共数据集。 您可以参考这篇调查文章以了解更多信息。 在本演示中，我们将使用 UCI HAR 数据集作为示例。 这个数据集可以在找到。 当然，这个数据集在放入网络之前需要进一步的预处理。 我还提供了数据集的预处理版本作为.npz文件，以便您可以专注于网络（在下载）。 还强烈建议您下载数据集，以便您可以自己体验所有过程。 ＃主题 ＃活动 频率 30 6 50赫兹 用法 对于 Pytorch（推荐），进入p

DeepMoji 使用在emojis上预先训练的深度学习模型的最先进的情感分析