使用Python的动手深度学习算法 这是Packt发布的《 的代码库。 通过使用TensorFlow实施深度学习算法和广泛的数学知识 这本书是关于什么的？ 深度学习是AI领域最受欢迎的领域之一，可让您开发各种复杂程度不同的多层模型。 本书涵盖以下激动人心的功能： 实施基础到高级的深度学习算法 掌握深度学习算法背后的数学 熟悉梯度下降及其变体，例如AMSGrad，AdaDelta，Adam和Nadam 实施循环网络，例如RNN，LSTM，GRU和seq2seq模型 了解机器如何使用CNN和胶囊网络解释图像 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 该代码将如下所示： J_plus = forward_prop(x, weights_plus) J_minus = forward_prop(x, weights_minus) 这是您需要的本

Algorithm-Deep-Learning-Algorithms-Implementation.zip,（深度学习 机器学习）算法的实现,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。

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

超分辨率SRDPNs张量流 tensorflow实现的超分辨率： 我基于双路径网络的超分辨率实现，但与原始网络完全不同，差异如下所示： 我修改了双路径块的结构，以加快训练速度。 我引入了瓶颈以减小尺寸并进行去卷积以恢复细节。 介绍基于VGG19的特征空间的知觉损失和克损失。 依存关系： 张量流> = 1.3.0 Scipy> = 0.18 GPU内存> 7G 用法： 首先，您需要在下载VGG19的模块以进行损耗函数计算。 然后，将下载的文件imagenet-vgg-verydeep-19.mat移到该项目的SRDPNs文件夹中。 供测试用： 打开main.py ，将数据路径更改为您的数据，例如： flags.DEFINE_string("testimg", "2.bmp", "Name of test image") 执行python main.py进行测试，结果将保存在示例

可变形卷积的PyTorch实现 魏欧阳@巴斯德研究所 感谢Felix Lau的Keras / TensorFlow实现： （ ） 待办事项清单 在pytorch中实现偏移量映射 所有测试通过 变形卷积模块 微调可变形卷积模块 大规模mnist演示 使用缓存的网格数组提高速度 使用pytorch（而不是Keras）的MNIST数据集 支持不同宽度和高度的输入图像 张量流实施基准 可变形卷积网络 戴继峰，齐浩志，熊玉文，李毅，张国栋，韩寒和魏一辰。 2017年。“可变形卷积网络”。 arXiv [cs.CV]。 arXiv。 以下动画是由Felix Lau（及其tenso