2018年新书，作者Vishnu Subramanian，简介：A practical approach to building neural network models using PyTorch

吴恩达 deeplearning 深度学习 笔记 v5.1，包含1-4所有章节，笔记信息最全，版权所有：吴恩达、黄海广

The Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general and deep learning in particular 原书英文版：http://www.deeplearningbook.org/ 本翻译版本的github地址：https://github.com/exacity/deeplearningbook-chinese PS:仅为搬运

目标跟踪算法HCF的改进版，将HCF中的VGG-19特征换成DenseNet特征

deeplearning.ai 第四课 编程作业2 包含所有数据，代码等

使用深度学习框架的红外和可见图像融合 ，吴晓军*，约瑟夫·基特勒国际模式识别大会2018 Li H，Wu XJ，Kittler J.使用深度学习框架的红外和可见图像融合[C] //模式识别（ICPR），2018年第24届国际会议。 IEEE，2018：2705-2710。 要求 您将需要以下工具来运行此代码： 如果您对此代码有任何疑问，请随时与我联系（ ， ） 融合方法 融合详细内容 多层融合策略 质量指标-Nabf Nabf-'BK Shreyamsha Kumar。 使用离散余弦谐波小波变换基于像素重要性的多焦点和多光谱图像融合。 信号，图像和视频处理，2012年。” 火炬版 仅供参考 https://github.com/GrimReaperSam/imagefusion_pytorch 引文 Li H，Wu XJ，Kittler J.使用深度学习框架的红外和可见

面部识别 使用TensorFlow进行面部表情识别 介绍 深度学习的面部表情识别。 使用TensorFlow 1.4实现CNN（卷积神经网络）。 代号 Test_Images：用于测试模型的图像目录。 Train_Images：用于转换神经网络的图像目录。 collect_images.py：从Bing和Google收集面部图像。 convert_images.py：将图像文件（* .jpg，*。jpeg， .png）转换为数据集文件（ .bin）。 dataset.py：用于训练或测试神经网络的数据集类。 cnn.py：创建CNN并对其进行训练或对图像进行分类。 运行代码示例 将图像转换为数据集 >>> import convert_images as ci >>> ci.IMAGES_DIR = './Train_Images' >>> ci.main('./train.b

吴恩达的深度学习入门笔记：

Large Convolutional Network models have recently demonstrated impressive classification performance on the ImageNet benchmark Krizhevsky et al. [18]. However there is no clear understanding of why they perform so well, or how they might be improved. In this paper we explore both issues. We introduce a novel visualization technique that gives insight into the function of intermediate feature layers and the operation of the classifier. Used in a diagnostic role, these visualizations allow us to find model architectures that outperform Krizhevsky et al. on the ImageNet classification benchmark. We also perform an ablation study to discover the performance contribution from different model layers. We show our ImageNet model generalizes well to other datasets: when the softmax classifier is retrained, it convincingly beats the current state-ofthe- art results on Caltech-101 and Caltech-256 datasets.

吴恩达深度学习笔记Deeplearning深度学习笔记v5.7.pdf