本书主要配合吴恩达深度学习课程使用，这里贴上课程链接：https://mooc.study.163.com/smartSpec/detail/1001319001.htm 在课程中有不懂或需要大量记笔记的地方，可以直接翻看此文档即可。

基于BERT的中文数据集下的命名实体识别（NER） 基于tensorflow官方代码修改。 环境 Tensorflow：1.13 的Python：3.6 tensorflow2.0会报错。 搜狐比赛 在搜狐这个文本比赛中写了一个基准，使用了bert以及bert + lstm + crf来进行实体识别。 其后只使用BERT的结果如下，具体评估方案请看比赛说明，这里的话只做了实体部分，情感全部为POS进行的测试嘲笑。 使用bert + lstm + crf结果如下 训练验证测试 export BERT_BASE_DIR=/opt/hanyaopeng/souhu/data/chinese_L-

用pytorch 来实现深度学习，包括卷积神经网络，循环神经网络，cv，nlp等

deep learning with pytorch源代码注意只有源代码！！！

train_catvnoncat.h5 test_catvnoncat.h5 lr_utils 深度学习吴恩达的dataset

mask rcnn是何凯明基于以往的faster rcnn架构提出的新的卷积网络，一举完成了object instance segmentation. 该方法在有效地目标的同时完成了高质量的语义分割。 文章的主要思路就是把原有的Faster-RCNN进行扩展，添加一个分支使用现有的检测对目标进行并行预测。同时，这个网络结构比较容易实现和训练，速度5fps也算比较快点，可以很方便的应用到其他的领域，像目标检测，分割，和人物关键点检测等。

深度学习 pdf 文字版，带书签整合版，文件太大，压缩了一下。 作者： 【美】Ian Goodfellow（伊恩·古德费洛） , 【加】Yoshua Bengio（约书亚·本吉奥） , 【加】Aaron Courville（亚伦·库维尔） 译者： 赵申剑 , 黎彧君 , 李凯 , 符天凡

试穿瓶 基于的多阶段虚拟试穿深度神经网络。 我们在上层提供了SIMPLE和EASY-to-handle API ，并结合了一些传统的图像处理方法。 特征： 快速Human_Image + Cloth_Image = Gen_Image ，为指定人员穿上指定的上衣。 Flask上的Web和后端响应服务 如何使用 运行完整的服务器代码 将3个下载到/checkpoints 。 安装 启动Flask服务python main.py 客户端使用base64编码图像，并以发送图像。 然后服务器将以相同规则返回结果。 仅运行网络代码 Model.py是唯一需要注意的文件。 安装依赖项并初始化m

带连续卷积的拉格朗日流体模拟 该存储库包含我们ICLR 2020论文的代码。 我们展示了如何使用连续卷积将基于粒子的流体模拟网络训练为CNN。 该代码使您可以生成数据，训练自己的模型或仅运行预训练的模型。 如果您认为此代码有用，请引用我们的论文 ： @inproceedings{Ummenhofer2020Lagrangian, title = {Lagrangian Fluid Simulation with Continuous Convolutions}, author = {Benjamin Ummenhofer and Lukas Prantl and Nils Thuerey and Vladlen Koltun}, booktitle = {International Conference on Learni

比较详细的介绍了深度学习中RNN 的原理及应用