使用姿势估计进行跌倒检测 介绍 基于跌倒检测模型 PyPI库： ：//pypi.org/project/openpifpaf/ 该检测可以在GPU和CPU上，多个视频，RTSP流以及网络摄像头/ USB摄像机上运行。 与大多数适用于单个大对象的开源跌倒检测模型不同，此改进的模型集成了一个人员跟踪器，该跟踪器可以检测多于一个人的场景中的跌倒。 示范影片 视频学分：50种跌落方法（），在单个NVIDIA Quadro P1000上运行 测试结果 UR跌落检测数据集（ ），已在两台NVIDIA Quadro GV100上进行了测试。 精度：100％ 召回率：83.33％ F1得分：90.91％ 注意：由于缺少可用的数据集，因此未测试误报和真否定。 环境 Ubuntu 18.04 x86_64 的Python 3.7.6 水蟒3 CUDA 10.2 用法 设置Conda环境

谷歌革命性的新软件库深入学习的挑战性的机器学习问题。如果你有一些基本的线性代数和微积分的背景，这本实用的书介绍了机器学习基础，通过展示你如何设计能够检测图像中的对象、理解文本、分析视频和预测潜在药物的性质的系统。 深入学习的方法是通过实际例子来教授概念，并帮助你从深层基础上建立深厚的学习基础知识。这是理想的实践开发经验丰富的设计软件系统，并为科学家和其他专业人士熟悉脚本，但不一定与设计学习算法。 学习TensorFlow基础知识，包括如何执行基本计算 建立简单的学习系统以了解其数学基础 深入到数千个应用程序中使用的完全连接的深层网络 利用超参数优化将原型转化为高质量模型 用卷积神经网络处理图像 用循环神经网络处理自然语言数据集 利用强化学习解决井字游戏等游戏 用硬件训练深度网络，包括GPU和张量处理单元

Vehicle_reID-Collection：车辆re-ID文件，数据集的集合

Discover the practical aspects of implementing deep-learning solutions using the rich Python ecosystem. This book bridges the gap between the academic state-of-the-art and the industry state-of-the-practice by introducing you to deep learning frameworks such as Keras, Theano, and Caffe. The practicalities of these frameworks is often acquired by practitioners by reading source code, manuals, and posting questions on community forums, which tends to be a slow and a painful process. Deep Learning with Python allows you to ramp up to such practical know-how in a short period of time and focus more on the domain, models, and algorithms., This book briefly covers the mathematical prerequisites and fundamentals of deep learning, making this book a good starting point for software developers who want to get started in deep learning. A brief survey of deep learning architectures is also included., Deep Learning with Python also introduces you to key concepts of automatic differentiation and GPU computation which, while not central to deep learning, are critical when it comes to conducting large scale experiments., What You Will Learn, Leverage deep learning frameworks in Python namely, Keras, Theano, and CaffeGain the fundamentals of deep learning with mathematical prerequisitesDiscover the practical considerations of large scale experimentsTake deep learning models to production, Who This Book Is ForSoftware developers who want to try out deep learning as a practical solution to a particular problem.Software developers in a data science team who want to take deep learning models developed by data scientists to production.

PyTorch SimCLR：视觉表示形式对比学习的简单框架 带有完整文档的博客文章： 另请参见。 安装 $ conda env create --name simclr --file env.yml $ conda activate simclr $ python run.py 配置文件 在运行SimCLR之前，请确保选择正确的运行配置。 您可以通过将关键字参数传递给run.py文件来更改正在运行的配置。 $ python run . py - data . / datasets - - dataset - name stl10 - - log - every - n - steps 100 - - epochs 100 如果要在CPU上运行它（出于调试目的），请使用--disable-cuda选项。 要进行16位精度的GPU培训，请确保安装并使用--fp16_precision标志。 功能评估 使用线性模型协议进行特征评估。 首先，我们在STL10 unsupervised集中使用SimCLR学习了功能。 然后，我们在SimCLR的冻结特征之上训练线性分类器。 根据从STL

本电子文档为Deep Learning电子书，方便大家下载阅读，

Pytorch简单CenterNet-45 如果您正在寻找其他CenterNet，请尝试！ 这个仓库是一个简单的pytorch实现的 ，一些代码取自。 顾名思义，此版本简单易读，所有复杂的部分（数据加载器，沙漏，训练循环等）都以更简单的方式重写了。 顺便说一下，还添加了对nn.parallel.DistributedDataParallel的支持，因此该实现的训练速度比正式代码快得多（在8个GPU上约为75 img / s与36 img / s）。 享受！ 要求： python> = 3.5 pytorch == 0.4.1或1.1.0（DistributedDataParallel培训仅在使用1.1.0时可用） tensorboardX（可选） 入门 禁用cudnn批处理规范化。 打开torch/nn/functional.py并找到与torch.batch_norm的行，并

Matlab的深度学习工具箱(Deep Learning Toolbox),适合在Matlab中学习深度学习，包括CAE,CNN,DBN,NN,SAE等，易与工程结合。

PyTorch的深照片样式转换 PyTorch实施的“深层照片样式转换”： ://arxiv.org/abs/1703.07511 其他实施 信用 closed_form_matting.py是从“closed_form_matting.py中借用的。 neural_style.py是neural_style.py对的修改。

密码 CipherGAN的实现，用于获得详细介绍的结果。 作者：（ ，， ，（ ，（ ， 引用这项工作 @inproceedings{ n.2018unsupervised, title={Unsupervised Cipher Cracking Using Discrete {GAN}s}, author={Aidan N. Gomez and Sicong Huang and Ivan Zhang and Bryan M. Li and Muhammad Osama and Lukasz Kaiser}, booktitle={Internatio