本资源与本人CSDN文章《全站最详细的Python numpy 搭建全连接神经网络模型教程（理论计算+代码实现）（不止能预测手写数字数据，准确率93.21%）》相配套。里面包含6万条原始手写数据、本人编写的全连接神经网络模型程序，以及一个训练好的准确率为93.21%的全连接神经网络模型。程序的调用建议参考文章的说明。

参数服务器 本项目使用非常少的代码编写了深度学习训练的全过程，有完整的结构，通过面向对象的封装，在算法上有一定扩展性，不仅支持单机模式还支持分布式模式 使用java实现的dnn训练框架，底层矩阵库使用Jblas(https://github.com/mikiobraun/jblas)，参数服务器使用Grpc+protobuf，ui方面使用ploty.js+nanohttpd 支持单机多CPU训练 支持分布式训练，多worker，多ps自定义负载均衡 支持同步更新和异步更新 支持二分类和多分类 实现embdding+全链接模型 实现Wide And Deep模型 实现卷积+池化+全链接模型 支持训练数据，测试数据异步读取，自定义parser UI Server可视化图表 例子 运行 CTR.java 点击率预估例子，test auc在0.71左右 运行 Mnist.java 手写输入例子，正

opencv.dnn做图像分类需要的googlenet caffe模型模型文件bvlc_googlenet.caffemodel bvlc_googlenet.prototxt及ImageNet标签文件synset_words.txt等

opencv中dnn模块两个人脸检测模型 opencv_face_detector_uint8.pb res10_300x300_ssd_iter_140000_fp16.caffemodel

树莓派镜像，编译好了opencv4.5.1和opencv_contrib以及ncnn，可以直接调用opencv的dnn模块进行目标检测，目标分割等深度学习算法。同时编译好了ncnn模块，方便arm架构的树莓派执行相关程序。且内部附带基于dnn模块的yolov5检测模型。

近年来，深度学习在计算机视觉各个领域中的应用成效显著，新的深度学习方法和深度神经网络模型不断涌现，算法性能被不断刷新。本文着眼于2016年以来的一些典型网络和模型，对基于深度学习的计算机视觉研究新进展进行综述。首先总结了针对图像分类的主流深度神经网络模型，包括标准模型及轻量化模型等；然后总结了针对不同计算机视觉领域的主流方法和模型，包括目标检测、图像分割和图像超分辨率等；最后总结了深度神经网络搜索方法。

计算机视觉与深度学习基于DNN神经网络实现人的年龄及性别预测（代码类） 计算机视觉.pdf

用了半年多的时间，陆陆续续翻译完了DNN（现在好像不用DotNetNuke了）9.0.0的语言包。翻译过程中，发现原英文语言有个别单词错误，看来出错难以避免。DNN是非常优秀的CMS，但是感觉现在关注的人少，网上的资料也很少，真是遗憾。

基于DNN深度学习网络的OFDM信号检测算法的仿真，matlab2021a测试运行。 包含训练数据，DNN训练，误码率测试。

%SRCNN im_h = SRCNN(model, im_b); %% remove border im_h = shave(uint8(im_h * 255), [up_scale, up_scale]); im_gnd = shave(uint8(im_gnd * 255), [up_scale, up_scale]); im_b = shave(uint8(im_b * 255), [up_scale, up_scale]); %% compute PSNR psnr_bic = compute_psnr(im_gnd,im_b); psnr_srcnn = compute_psnr(im_gnd,im_h);