简单分类适合大学生在校生考试，关于pythorch深度学习的代码和源码： 猜字，加减乘除，游戏设计，绘制图像，创建线程，线性回归，糖尿病，多线程等实验代码

北京农林作物基因组与生物信息学培训的内部讲义，包括1、深度学习基础，2、及其在基因组选择中的应用实例介绍

Netron 6.1.3版本，支持darknet、pytorch、tensorflow、onnx、caffee、paddlepaddle、ncnn、tnn、mnn等各种平台的模型网络结构可视化

matconvnet-1.0-beta25成功编译后的文件，可以放到matlab 里面直接调用运行。

基于深度学习+Vue+Flask的水果识别分类系统源码+模型+项目操作说明 1、本项目使用迁移学习技术，对在ImageNet数据集上带有预训练权重VGG16、ResNet50、MobileNetV2、DenseNet121模型进行微调，然后将其用在水果数据集上。最终训练后的模型能够准确对输入图片进行分类，并且最高准确率达到93.08%。 2、设计并实现前后端分离系统，前端Vue，后端Flask 后端模型对输入图片识别并返回用户。

深度学习算法改进(GAM注意力_STN模块_SE模块_ODConv动态卷积_FAN注意力模块实现源码+各改进说明) 1、引入了3D-permutation 与多层感知器的通道注意力和卷积空间注意力子模块 2、入了一个新的可学习模块--空间变换器，它明确地允许在网络中对数据进行空间操作。 3、重新校准通道特征反应来适应性地调整 通过明确地模拟通道之间的相互依存关系，自适应地重新校准通道的特征响应。 4、全维动态卷积（ODConv），一种更通用但更优雅的动态卷积设计 5、完全注意网络(FAN) ，它们通过结合注意通道处理设计来加强这种能力 该源码适合有一定深度学习算法基础的工程师下载学习借鉴！

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

5种不同瑜伽姿势的分类数据集，每类200张图片左右； 5种不同瑜伽姿势的分类数据集，每类200张图片左右 5种不同瑜伽姿势的分类数据集，每类200张图片左右

7类矿物识别图像数据集，一共5640张照片； 7类矿物识别图像数据集，一共5640张照片 7类矿物识别图像数据集，一共5640张照片

7种不同标注了的干豆图像，共13611粒图像 7种不同标注了的干豆图像，共13611粒图像 7种不同标注了的干豆图像，共13611粒图像