项目概况 欢迎来到Udacity的DeepLearning纳米学位中的卷积神经网络（CNN）项目！ 在该项目结束时，该代码将接受任何用户提供的图像作为输入。 如果在图像中检测到狗，它将提供狗的品种的估计值。 如果检测到人，它将提供最相似的犬种的估计。 下图显示了已完成项目的潜在示例输出。 前方的路 我们将笔记本分为几个步骤： 导入数据集 检测人类 检测狗 创建CNN对狗的品种进行分类（从头开始） 创建CNN对狗的品种进行分类（使用转移学习） 测试算法 一些有趣的结果： 最终模型的测试准确性：76％（641/836张图片）。 这只狗的品种是：威尔士史宾格犬 哈Human，人类！ 如果您是狗，您将看起来像：迦南狗 哈Human，人类！ 如果您是狗，您将看起来像：中国沙皮犬 哈Human，人类！ 如果您是狗，您将看起来像：法国斗牛犬 哈Human，人类！ 如果您是狗，您将看起来

注意：Python 2.x支持已被正式删除。 伯克利AUTOLAB的GQCNN软件包 包装概述 gqcnn Python软件包用于训练和分析抓握质量卷积神经网络（GQ-CNN）。 它是正在进行的项目的一部分，该项目由UC Berkeley的创建和维护。 安装及使用 请参阅以获取安装和使用说明。 引文 如果您在出版物中使用此代码的任何部分，请引用。

在PyTorch中实现Vi（sual）T（transformer） 大家好，新年快乐！ 今天，我们将要实现著名的Vi （双） T （变压器），该产品在“。 代码在这里，可以从下载本文的交互式版本。 ViT将很快在我称为新计算机视觉库中提供 这是一个技术教程，而不是您在普通的中级文章中找到的使您变得富有的前5个最重要的熊猫功能。 因此，在开始之前，我强烈建议您： 看看惊人的网站 观看 阅读文档 因此，ViT使用在图像上工作的普通变压器（“提出的一种变压器）。 但是，如何？ 下图显示了ViT的体系结构 输入图像被分解为16x16展平的小块（图像未按比例绘制）。 然后使用普通的完全连接层将它们嵌入，在它们前面添加特殊的cls令牌，并对positional encoding求和。 生成的张量首先传递到标准Transformer，然后传递到分类头。 就是这样。 本文的结构分为以下几节

DGL-LifeSci | 我们还有一个闲聊的渠道，可以进行实时讨论。 如果您想加入该频道，请联系 。 介绍 在过去的几年中，在图上进行深度学习已成为一种趋势。 生命科学中有很多图，例如分子图和生物网络，使其成为在图上应用深度学习的重要领域。 DGL-LifeSci是基于DGL的软件包，可用于具有图神经网络的生命科学中的各种应用程序。 我们提供各种功能，包括但不限于用于图形构造，特征化和评估的方法，模型架构，训练脚本和预训练模型。 有关社区贡献者的列表，请参见。 有关在DGL-LifeSci中实现的工作的完整列表，请参见。 安装 要求 DGL-LifeSci应该致力于 所有Linux发行版均不早于Ubuntu 16.04 macOS X Windows 10 DGL-LifeSci需要python 3.6 +，DGL 0.5.2+和PyTorch 1.5.0+。 此外，对

TensorFlow 2.0教程 我们的回购。 是的赢家 。 时间线： 2019年10月1日：TensorFlow 2.0稳定！ 2019年8月24日： 2019年6月8日： 2019年3月7日： 2019年1月11日： 2018年8月14日： 安装 确保您使用的是python3.x。 CPU安装 pip install tensorflow - U GPU安装 自己安装CUDA 10.0 （或cudnn ）和cudnn 。 并设置LD_LIBRARY_PATH 。 pip install tensorflow - gpu - U 测试安装： In [ 2 ]: import tensorflow as tf In [ 3 ]: tf . __version__ Out [ 3 ]: '2.0.0' In [ 4 ]: tf . test . is_gpu_available () ... totalMemory : 3.95 GiB freeMemory : 3.00 GiB ... Out [ 4 ]: True 配套TF2视频教程 TensorFl

halcon-17.12.0.0-windows-images-deep-learning.exe

近年来，随着网络数据量的不断增加，挖掘图形数据已成为计算机科学领域的热门研究课题，在学术界和工业界都得到了广泛的研究。但是，大量的网络数据为有效分析带来了巨大的挑战。因此激发了图表示的出现，该图表示将图映射到低维向量空间中，同时保持原始图结构并支持图推理。图的有效表示的研究具有深远的理论意义和重要的现实意义，本教程将介绍图表示/网络嵌入的一些基本思想以及一些代表性模型。

药物推荐使用审查：针对患者的每种健康状况，分析药物说明，病症，审查，然后使用深度学习模型推荐药物

尖峰神经网络转换工具箱 SNN转换工具箱（SNN-TB）是一个框架，可将基于速率的人工神经网络转换为尖峰神经网络，并使用各种峰值编码来运行它们。 SNN-TB的一个独特功能是，它接受来自许多不同的深度学习库（Keras / TF，pytorch等）的输入模型，并为多个后端提供接口以进行仿真（pyNN，brian2等）或部署（SpiNNaker，Loihi）。 请参考以获取完整的用户指南和API参考。 另请参阅随附的文章和 。

使用对象检测-YOLO-v2-深度学习：使用Yolo v2的基于深度学习的对象检测的MATLAB示例