涵盖此存储库中代码的详细教程： 该网络分为四个部分，并逐渐变得更加复杂。 第一部分是了解网络核心部分的最低要求。 它用于为一张图像着色。 一旦有了一些实验，我发现添加剩余的80％的网络变得更加容易。 在第二阶段（测试版）中，我开始使培训流程自动化。 在完整版中，我添加了预训练分类器的功能。 GAN版本不在本教程中。 这是一个实验版本，使用了一些新兴的图像着色最佳实践。 :popcorn: 注意：以下显示图像是精心挑选的。 大部分图像大部分是黑白图像，或浅褐色。 狭窄而简单的数据集通常会产生更好的结果。 安装 pip install keras tensorflow pillow h5py jupyter scikit-image git clone https://github.com/emilwallner/Coloring-greyscale-images cd Coloring-greyscale-images/ jupyter notebook 去做所需的笔记本，以“ .ipynb”结尾的文件。 要运行模型，请转到菜单，然后单击“单元格”>“全部运行” 对于GAN版本，

标签图 LabelImg是图形图像注释工具。 它是用Python编写的，并将Qt用于其图形界面。 批注以PASCAL VOC格式（ 所使用的格式）另存为XML文件。 此外，它还支持YOLO和CreateML格式。 安装 从源代码构建 Linux / Ubuntu / Mac至少需要 ，并已通过进行了测试。 但是，强烈建议使用以及 。 的Ubuntu Linux的 Python 3 + Qt5 sudo apt-get install pyqt5-dev-tools sudo pip3 install -r requirements/requirements-linux-python3.txt make qt5py3 python3 labelImg.py python3 labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE] 苹果系统

keras-inception-resnet-v2 使用Keras的Inception-ResNet v2模型（带有权重文件） 在python 3.6下使用tensorflow-gpu==1.15.3和Keras==2.2.5进行了测试（尽管存在很多弃用警告，因为此代码是在TF 1.15之前编写的）。 层和命名遵循TF-slim的实现： : 消息 该实现已合并到keras.applications模块中！ 在GitHub上安装最新版本的Keras并使用以下命令导入： from keras . applications . inception_resnet_v2 import InceptionResNetV2 , preprocess_input 用法 基本上与keras.applications.InceptionV3模型相同。 from inception_resnet

Deep Learning with Python 高清英文版，FRANÇOIS CHOLLET力作

Matlab深度学习工具箱 deep learning toolbox

OctNet使用有效的空间分区结构（即八叉树）来减少内存和计算3D卷积神经网络的需求，从而实现高分辨率的深度学习。 这是本文的代码： ， 和 我们展示了OctNet，它是稀疏3D数据的深度学习表示。 与现有模型相比，我们的表示支持深度和高分辨率的3D卷积网络。 为了实现这一目标，我们利用输入数据中的稀疏性，使用一组不平衡的八叉树来对空间进行分层划分，其中每个叶节点都存储一个池化的要素表示。 这样可以将内存分配和计算集中到相关的密集区域，并在不影响分辨率的情况下实现更深的网络。 通过分析分辨率对几个3D任务的影响，包括3D对象分类，方向估计和点云标记，我们演示了OctNet表示的实用性

物体检测 使用带有Tensorflow和Python的深度学习进行车辆检测 该程序说明了如何从头开始在多个对象的对象检测中训练自己的卷积神经网络（CNN）。 使用本教程，可以识别和检测图片，视频或网络摄像头中的特定对象。 下面描述了在Tensorflow环境中在窗口（10、7、8）上训练模型的步骤。 我使用了TensorFlow-v1.5，但该程序可在将来的版本中使用。 脚步 1.安装Anaconda 访问下载并安装Anaconda 访问 TensorFlow的网站描述了安装细节。 2.设置TensorFlow目录和Anaconda虚拟环境 TensorFlow对象检测API和Anac

对比表示蒸馏（CRD），以及最新知识蒸馏方法的基准RepDistiller此回购协议：（1）涵盖以下ICLR 2020论文的实施：“对比表示蒸馏”（CRD）。 纸，项目页。 （2）在PyTorch中对12种最先进的知识提炼方法进行了基准测试，包括：（KD）-在神经网络中提炼知识（FitNet）-Fitnets：细深网的提示（AT）-更加关注注意：通过注意转移（SP）改善卷积神经网络的性能-相似性保留

MedicalNER：使用Flask和Docker作为Web App部署PyTorch NER模型 一个漂亮且可自定义的Web应用程序，可轻松部署您的深度学习（DL）模型 注意 此仓库用于部署任何类型的ML或DL模型，而不仅仅是NER模型。 使用演示 克隆仓库 $ git clone https://github.com/SuperBruceJia/pytorch-flask-deploy-webapp.git 运行以下说明 1）。 构建Docker映像 $ docker build -t ner-model . 2）。 为上面的图像制作并运行一个容器 $ docker run -e LANG

遗传算法，粒子群优化，模拟退火，蚁群优化算法，免疫算法，人工鱼群算法，差分进化和TSP（旅行商）scikit-opt群体智能化Python（遗传算法，粒子群优化，模拟退火，蚂蚁）殖民地算法，免疫算法，Python中的人工鱼群算法）文档：https：//scikit-opt.github.io/scikit-opt/#/en/文档：https://scikit-opt.github.io/scikit -opt /＃/ zh /源代码：https://github.com/guofei9987/scikit-opt帮助我们改进scikit-opt https://www.wjx.cn/jq/50964691.aspx install pip install scikit-opt对于当前的开发人员版本：