狗品种分类器 在该项目中，首先，我实施了卷积神经网络，使用转移学习对狗的品种进行分类。 在转移学习中，我们使用的是经过预训练的网络，例如VGG-16，Resnet，Inception，Xception等。 目标 对狗的品种进行分类 依存关系 麻木 大熊猫 凯拉斯 球状 matplotlib cv2 斯克莱恩 tqdm 皮尔 我用jupyter笔记本来实现 信用 Udacity深度学习纳米学位

// @file readme.txt 用途 在不允许保留源码的计算机上，深度删除源码工程文件夹。 思路 给定参数文件夹或文件, 给定文件深度擦除次数（默认值） 遍历文件夹，得到文件列表。 操作每一个文件，得到文件size, 在文件中交替写入(用更新文件的方式打开文件)全 0或全1，执行完指定的擦除次数结束。 每擦除一遍，就关闭一次文件。再对文件写入一遍全0，读文件内容，如果文件内容是全0， 认为文件擦除成功。 最后，做这个工程的时候，没有在校验读回内容是否正确。因为写的时候，写失败会提示擦除失败。 以前win版的深度擦除工具，好像是执照擦除6~8遍。 这个擦除次数由命令行传入，由用户指定。 工程预览： http://blog.csdn.net/LostSpeed/article/details/78386841 编译实验环境： debian7.5 + g++ 代码编辑器: souceinsight 4.0 for win

Sentiment_Analysis_Deep_Learning：使用深度学习（CNN）进行情感分析

实时社交 使用OpenCV中的实时视频流/ IP摄像机实时进行社交疏离。 这是对（ ）的改进/修改。 请参考添加的。 输出量 输出量 用例：实时计算商店/建筑物/大型购物中心等中的人数。 如果人们超出了社交距离限制，则向员工发送警报。 优化实时流以获得更好的性能（带有线程）。 充当解决COVID-19的措施。 目录 简单理论 对象检测： 我们将使用在COCO数据集上受过训练的YOLOv3进行物体检测。 通常，单级检测器（如YOLO）往往不如两级检测器（R-CNN）准确，但速度要快得多。 YOLO将对象检测视为回归问题，获取给定的输入图像，并同时学习边界框坐标和相应的类标签

希望网 Hopenet是一个准确且易于使用的头部姿势估计网络。 在300W-LP数据集上对模型进行了训练，并在具有良好定性性能的真实数据上进行了测试。 有关方法和定量结果的详细信息，请查看CVPR Workshop。 新的 新的 要使用，请安装和 （用于视频）-我相信，除了numpy之类的常用库之外，您只需要这些即可。 您需要一个GPU才能运行Hopenet（目前）。 要使用dlib人脸检测在视频上进行测试（头部中心会跳动）： python code/test_on_video_dlib.py --snapshot PATH_OF_SNAPSHOT --face_model PATH

图像分类器-TensorFlow项目 在这个项目中，我们将首先为使用TensorFlow构建的图像分类器开发代码，然后将其转换为命令行应用程序。 我们将使用来自牛津大学的102个花卉类别的。 该项目的数据非常大-实际上，数据非常大，您无法将其上传到Github。 要求 该项目需要安装Python 3.x和以下Python库： 在终端中运行任何命令之前，请确保使用pip安装TensorFlow 2.0和TensorFlow Hub，如下所示： $ pip install -q -U "tensorflow-gpu==2.0.0b1" $ pip install -q -U tensorflow_hub 注意：为了完成此项目，您将需要使用GPU。 因为在您本地的CPU上运行可能无法正常工作。 您还应该仅在需要时启用GPU。 项目结构 该项目由两部分组成： 第1部分-使用深度学习开发图

深度强化学习指南（与Keras和OpenAi体育馆一起使用） 使用Keras和OpenAi体育馆进行深度强化学习策略梯度方法的分步教程。 在这个简短的项目中，我们将使用强化学习算法（策略梯度方法-REINFORCE）训练神经网络玩Pong游戏。 如果要运行它，则只需克隆存储库，然后打开钢筋_learning_pong_keras_policy_gradients.ipynb ，然后阅读并运行笔记本 我们训练了一个简单的200个隐藏的神经元网络和一个卷积模型。 简单网络的示例播放： 简单网络玩游戏的视频（ ）： 卷积网络玩游戏的视频（ ）： 考虑到有限的时间和出于学习目的，我并不是要寻找一个受过良好训练的代理，但我希望这个项目可以帮助人们熟悉rl算法和keras的基本过程。 上面的视频花了3天时间让代理在慢速的计算机上学习。 为了获得生产结果，需要更多的培训和调整，这不是我

在PyTorch中实施SmoothGrad SmoothGrad的PyTorch实现。 香草渐变 平滑渐变 引导反向传播 引导式SmoothGrad 以及诸如以下的其他技术被实现。 下载 git clone https://github.com/pkdn/pytorch-smoothgrad 用法 使用VanillaGrad ， GuidedBackpropGrad ， SmoothGrad和GuidedBackpropSmoothGrad保存显着性贴图。 python saliency.py --img 保存Grad-CAM图像。 python grad_cam.py --img 如果未指定图像路径，请读取浣熊的数据（ ）。 要求 火炬 火炬视觉 麻木 科学的 OpenCV 测试了Python 3.5.2下的环境。 致谢 该

深度演示 概述 该存储库包含一些使用深度学习方法的示例，这些示例用于在MoveIt Task构造函数中掌握姿势的生成。 这些软件包是在运行ROS Melodic的Ubuntu 18.04上开发和测试的。 配套 ：使用深度学习方法在MoveIt Task构造函数中的把握生成阶段构造一个拾取和放置任务 ：使用Dex-Net从深度图像中采样抓取 moveit_task_constructor_gpd ：使用GPD采样来自3D点云的抓取 入门 首先，完成“ 入门指南” 。 在安装依赖项之前，建议先运行： sudo apt update sudo apt upgrade 重要说明：建议在catkin工作区之外安装不是ROS软件包的依赖项。 对于GPD，这包括PCL，OpenCV和GPD库。 对于Dex-Net，这包括gqcnn ， autolab_core ，悟性和可视化。 下面的步骤

伊莱克特拉-火炬 详细介绍了一种用于快速训练语言模型的简单工作包装。 与普通的屏蔽语言建模相比，它可以将训练速度提高4倍，并且如果训练时间更长，最终可以达到更好的性能。 特别感谢抽出时间为GLUE复制了结果。 安装 $ pip install electra-pytorch 用法 以下示例使用了reformer-pytorch ，可以通过pip安装。 import torch from torch import nn from reformer_pytorch import ReformerLM from electra_pytorch import Electra # (1) instantiate the generator and discriminator, making sure that the generator is roughly a quarter to a half