Xception 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或在MATLAB中打开xception.mlpkginstall文件将启动具有该发行版的安装过程。 此 mlpkginstall 文件适用于 R2019a 及更高版本。 用法示例： % 访问训练好的模型净 = xception(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 Xception 对图像进行分类标签 = 分类（净，我） % 显示图像和分类结果数字显示（

Python深度学习食谱 这是发布的的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 深度学习正在彻底改变各种行业。 在许多应用中，深度学习已被证明可以做出更快，更准确的预测，从而胜过人类。 本书提供了自上而下和自下而上的方法，以演示针对不同领域的现实问题的深度学习解决方案。 这些应用程序包括计算机视觉，自然语言处理，时间序列和机器人技术。 Python深度学习食谱提供了针对所提出问题的技术解决方案，以及对解决方案的详细说明。 此外，提供了有关使用诸如TensorFlow，PyTorch，Keras和CNTK的流行框架之一实施建议的解决方案的利弊的讨论。 这本书包括与神经网络的基本概念有关的食谱。 所有技术以及经典网络拓扑。 本书的主要目的是为Python程序员提供详细的配方列表，以将深度学习应用于常见和不常见的场景。 说明和导航 所有代码都组织在文件夹中。 每个

随着大数据的引入及其在图像采购设备中的惊人进步，将医学数据转换为有价值的知识已成为生物信息学领域的重要挑战。 采购的医学图像需要对图像进行大量分析和诊断，这可以使用人工智能技术（例如机器学习和深度学习）来完成，这些技术可以提供自动诊断解决方案。 深度学习方法可以为医学图像诊断提供优化和精确的解决方案，并且可以作为即将到来的医疗保健应用的重要方法。 本文将讨论一些当代深度学习神经网络及其在各种疾病检测中的应用。

基于深度学习的毫米波系统的信道估计和混合预编码 将“ matlab”和“ python”文件夹放在根目录中 “ matlab”文件夹包含传统的HBF算法，信道估计算法和数据生成代码。 “ python”文件包含已定义的神经网络模型和经过训练的模型。 如果要直接测试HBF-Net和CE-HBF-Net，则可以 运行“ matlab / channel_gen.m”以生成测试通道。 运行“ matlab / gen_testdata.m”以生成测试数据集 您也可以单击（提取代码：om9r）下载数据集，而无需生成新的测试数据集。 训练后的模型保存在“ python / model”中。 在测试模式（train_flag = 0）下运行“ python / main.py”，可以测试HBF-Net和CE-HBF-Net的性能。 如果您想对HBF-Net和CE-HBF-Net进行再培训，则可以

基于双阶段注意力的时间序列预测神经网络，基于Chandler Zuo的。 我已经将代码扩展为适用于多元时间序列，并添加了一些预处理功能，但是鉴于我基本上是从他的帖子中复制代码，因此版权可能归他所有。 最近使用PyTorch JIT的分支称为jit 。 有一个不同的，但是据我所知，它只是单变量。

图像增强的一篇论文，思路和损失函数比较清晰

cudnn-10.1-windows10-x64-v7.6.5.32.7z

自动对焦相机 我的自动聚焦算法的开放源代码实现，用于带有图像处理算法的常规显微镜。

实时检测人与物体的相互作用 这是一个开放项目的仓库，可实时检测人与物体之间的相互作用，请参见我们的更多详细信息。 内容 要求 硬件 GPU：Titan，Titan Black，Titan X，K20，K40，K80，GTX 软件 您应该安装matlab来验证HOI-RT的训练结果。 您应该安装cuda，opencv和cudnn。 然后设置Makefile的1-3行： GPU=1 CUDNN=1 OPENCV=1 安装 克隆HOI-RT存储库首先，创建一个名为detection的新文件夹，然后cd detection && git clone --recursive git@github.com:lmingyin/HOI-RT.git 建立项目cd $HOI-RT && make -j8 加载训练后的模型加载已在vcoco和我们标记的数据集中进行训练。 并将模型放在检测文件夹中。 测试

PyTorch用于语义分割 该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道 楷模 Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ） U-Net（ ） SegNet（ ） PSPNet（） GCN（） DUC，HDC（） 需求 PyTorch 0.2.0 PyTorch的TensorBoard。 安装 其他一些库（在运行代码时查找丢失的内容：-P） 制备 转到models目录并在config.py中设置预训练模型的路径 转到数据集目录并按照自述文件进行操作 去做 DeepLab v3