就地激活的批次标准 就地激活的BatchNorm（InPlace-ABN）是一种新颖的方法，可以减少训练深度网络所需的内存。 通过将BN +非线性激活重新定义为一次就地操作，它可以在现代体系结构（如ResNet，ResNeXt和Wider ResNet）中节省多达50％的内存，同时根据需要智能地丢弃或重新计算中间缓冲区。 该存储库包含InPlace-ABN层的实现，以及一些用于重现本文中报告的ImageNet分类结果的训练脚本。 现在，我们还发布了用于语义分割的推理代码，以及的Mapillary Vistas训练模型。 可以在本页底部找到更多信息。 引文 如果您在研究中使用就地激活的批次标准，请引用： @inproceedings { rotabulo2017place , title = { In-Place Activated BatchNorm for Memory-Opti

使用英特尔D435实感摄像头，在Opencv DNN框架下基于Yolov3框架实现目标检测，并根据深度信息实现对异物的3D定位。 实时显示摄像机坐标系中的坐标。 异议检测和位置RealsenseD435要求C ++版本Ubuntu18.04或16.04 Opencv 4.x C ++ 11_std至少，我在绝对路径/ usr / local / eigen3中使用了C ++ 17 std Eigen3：Cmake> = 3.17 PCL lib> = 1.7.1 Intel Realsense SDK> = 2.0 Yolov3，由Darknet Python版本pyrealsense2.x Opencv-python numpy与C ++版本相同，必须已安装realsense D435的SDK如何使用C ++ git clone https://github.com / Mazhichaoruya /异议检测和定位Rea

1.使用其预训练的模型进行图像分类、人脸识别等。 2.采用GPU模式训练一个MNIST数据集合分类器 （CPU的使用/GPU的使用）

将yolov4检测推理模块潜入pyqt5可视化界面中。 OpenCV dnn模块调用yolov4 weight和cfg，实现自选图片和自选视频的检测，并在界面中展示出来。

使用ConvNet的Twitter情绪分析 一个工具 预测推文的情绪“积极性” 如何使用它？ >> from sentiment import sentiment_score >> print sentiment_score(u"I love you") 0.9999 它返回的情绪索引范围为0（负情绪）到1（正情绪）。 在线演示 预测单个推文的情绪“积极性” 概述的“积极性” 点击 算法 有关该算法的更多信息，请参阅。 技术选择 作为Web框架 作为神经网络训练的实现 作为神经网络分类（在线版本）的实现 训练技巧 扇入，扇出初始化 退出 阿达达 贡献者 韩晓和姚璐

癌症是一种复杂的疾病，通过增加收集的数据量和部署的计算能力来帮助人们理解和治疗癌症。因此，越来越需要开发数据驱动的深度学习方法，尤其是用于癌症诊断、检测、预后和预测等各种任务的深度学习方法。然而，尽管最近取得了成功，但为非图像和非文本癌症数据设计高性能的深度学习模型是一项耗时、反复尝试的手动任务，需要癌症领域和深度学习专业知识。为此，我们开发了一种基于强化学习的神经架构搜索，以自动匹配基于深度学习的预测模型开发，用于一类具有代表性的癌症数据。我们开发定制的构建块，允许领域专家结合癌症数据的特定特征。我们表明，我们的方法发现了深度神经网络结构，其可训练参数明显较少，训练时间较短，精确度与手动设计的结构相似或更高。我们在Argonne Leader  ship Computing Facility的Theta超级计算机的多达1024个Intel Knights着陆节点上研究并演示了我们方法的可扩展性。我们开发了可扩展的基于RL的NAS，以自动化一类癌症数据的DNN模型开发。我们设计了一个NAS搜索空间，该空间考虑了特定于非图像和非文本癌症数据的特征。我们在多达1024个Intel Kni

基于CNN算法（卷积神经网络）的DNN（深度神经网络）的图形处理——风格转化

OpenCV4.5 dnn模块+QT5.12.9实现人脸识别Demo

基于DBN的深度学习MATLAB工具箱，包含网络结构代码和实例代码。

coursera的吴恩达的课编程练习所需的所需包和数据，可以方便学员自己在本地练习