VIP会员

东南大学崇志宏：深度学习基础

从深度神经网络、概率图和学习的角度讨论深度学习的基础：神经网络计算模型+BP算法；函数的深度神经网络表示；概率的深度神经网络表示；分布的深度神经表示；分布距离的深度神经网络表示

东南大学 崇志宏：神经网络计算模型参考书

讲述神经网络计算系统性很强的一本参考书

东南大学 崇志宏：无导师学习案例

无导师学习方法能够解决标注数据稀缺的问题，特别是非似然框架下的无导师学习进展迅速。

东南大学 崇志宏：区块链创新维度

区块链创新维度包括去中心化、共识、验证或证明、博弈的动力来源

东南大学 崇志宏：非结构数据存储和区块链数据库

非结构数据，包括知识图谱、文本、图片以及视频数据的存储和访问成为当前互联网环境下数据存储和访问的主要热点问题和应用。在解决数据一致性基础上的需要进一步解决数据的共识性，这是开放环境下...东南大学 崇志宏

东南大学 崇志宏：东南大学数据与智能实验室深度学习应用问题暑期讨论提纲

在理论讨论的基础上提出应用领域出现的一般性和前瞻性问题，包括：深度学习的工程问题、数据问题、任务问题和一些具体应用领域。对每一类问题进行细化，形成应用问题的知识图谱的schema。

东南大学 崇志宏：当数据库遇到知识图谱

在封闭假设下发展的关系...互联网的开放性和灵活的半结构化数据模型对遵守第三范式的关系数据库系统提出挑战，采用NoSQL实现知识图谱存储的扩展性技术成为研究重点。两者的相遇注定产生出新的应用场景、技术潜力。

东南大学 崇志宏：图概率和BP算法

概率和图的结合解决了概率推理和学习的复杂度的问题：通过factorization产生学习和推理的局部化方法。重点是factorization

东南大学 崇志宏：数字银行

数字银行是银行业计算机化和智能化后的产物，是数字化技术发展的必然结果，是一种新的网络交互形式。

东南大学 崇志宏：概率图学习算法参考书

是一本很好的讨论图概率学习算法参考书。

东南大学 崇志宏：数据库遇到区块链

数据库技术从关系模型、逻辑数据库、面向对象数据库发展到结构更加灵活的XML数据库、图数据库和处理大规模大数据的NoSQL，在可扩展性和高吞吐效率方面取得有效成就。同时，区块链技术在去中心化、去信任化方面取得...

东南大学 崇志宏：图概率参考书

从原理和算法阐述图概率的基本原则和方法的参考书，适合深入理解图概率的学生参考

东南大学 崇志宏：神经网络计算模型与BP算法

深度神经网络计算模型及其关键的BP算法

东南大学 崇志宏：数据与智能暑期研讨班提纲

符号和联结是认知建模的基本方式，两者的有机融合是目前研究的趋势，是认知计算的基本方式，也是处理大数据的基本工具。

东南大学 崇志宏：VAE和GAN技术要点（部分内容）

变分自动编码和对抗生成网络在深度学习领域取得广泛的影响力，其背后思想和方法技巧可以在wake-sleep框架下进行统一和相互改进。本来希望能够这方面的工作做个总结，但是发现这是一个大的topic，涉及的文献源远流长...

东南大学 崇志宏：区块链的去中心化与数据的一致性、安全、隐私

在开放环境中对数据一致性求推动区块链技术快速发展，成为未来互联网的基本协议或体系结构，也是未来重要的计算模型。通常情况下可以从四个维度理解区块链技术，其中数据的一致性、安全和隐私是核心内容。

崇志宏：强化学习和深度强化学习

深度学习在强化学习方面的应用所产生的深度强化学习取得快速发展。如何解释深度强化学习优势产生的原因是理解技术的基本方法。

崇志宏：区块链讲座

区块链技术开发的基本概念、主要的技术问题和开发方法

YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数

本资源纯属免费，不收任何钱和任何积分，纯粹为爱发电，本资源已经为大家整合好了的，看我的博客部署好直接用：https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址：https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先，利用YOLOv8算法对视频中的车辆目标进行检测，并对检测到的目标进行标记。然后，通过deepsort算法对标记的车辆目标进行跟踪，实现车辆目标的持续跟踪。最后，根据跟踪结果对车辆数量进行统计，实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明，帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt，需要创建的文件夹都以创建，方便大家不用再去GitHub下载 可以搭配该博客：https://blog.csdn.net/weixin_43366149/article/details/132206526?spm=1001.2014.3001.5501

YOLOv8网络结构图，自制visio文件，yolov8.vsds，需要的自取，在原有的基础上直接改就行了

YOLOv8网络结构图，自制visio文件，yolov8.vsds，需要的自取，在原有的基础上直接改就行了

社交平台上经济类话题的文章热度信息，数据是真实的，但不是真实日期

使用LSTM模型进行时序预测的代码与说明见：https://blog.csdn.net/Q_M_X_D_D_/article/details/109366895

行人跌倒数据集（VOC格式）

行人跌倒数据集（VOC格式）

Unet眼底血管图像分割数据集+代码+模型+系统界面+教学视频.zip

本资源配套对应的视频教程和图文教程，手把手教你使用Unet做眼底图像分割的训练、测试和界面封装，包含了Unet原理的解析、处理好的训练集和测试集、训练和测试的代码以及训练好的模型，并封装为了图形化界面，只需点击上传按钮上传图像即可完成眼底图像的预测。 随着生活水平的提高，眼科疾病以及心脑血管疾病的发病率呈现逐年增长的趋势。视网膜血管是这类疾病诊断和监测的重要信息来源，其形态和状况的变化可以反映出许多疾病的早期病理变化。然而，由于受眼底图像采集技术的限制以及视网膜血管自身结构的复杂性和多变性，使得视网膜血管的分割变得非常困难。传统方法依靠人工手动分割视网膜血管，不仅工作量巨大，极为耗时，而且受主观因素影响严重。通过眼底血管图像分割可以提高诊断准确性、效率以及推动科学研究和改进治疗方法等方面。 B站主页：https://space.bilibili.com/161240964 C站主页：https://blog.csdn.net/ECHOSON

Transformer模型实现长期预测并可视化结果（附代码+数据集+原理介绍）

这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现

全新的SOTA模型YOLOv9

当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息，以计算目标函数，从而获得可靠的梯度信息以更新网络权重。此外，我们还设计了一种基于梯度路径规划的新型轻量级网络架构——广义高效层聚合网络（GELAN）。GELAN的架构证明了PGI在轻量级模型上获得了优越的结果。我们在基于MS COCO数据集的目标检测上验证了所提出的GELAN和PGI。结果显示，GELAN仅使用传统的卷积运算符就实现了比基于深度卷积的最新方法更好的参数利用率。PGI可用于从轻量级到大型的各种模型，它可以获取完整信息，使得从零开始训练的模型比使用大型数据集预训练的最新模型获得更好的结果，比较结果如图1所示。

YOLOV5口罩检测数据集+代码+模型 2000张标注好的数据+教学视频.zip

YOLOV5口罩检测数据集+代码+模型 2000张标注好的数据+教学视频 代码的下载地址在：https://gitee.com/song-laogou/yolov5-mask-42 大家可以按照这里的视频教程配置环境：https://www.bilibili.com/video/BV1YL4y1J7xz/ 更多数据请看：https://blog.csdn.net/ECHOSON/article/details/121892887 遇到问题请小伙伴通过私信联系作者，感谢大家的支持！

Deep Learning Tuning Playbook（中译版）

由五名研究人员和工程师组成的团队发布了《Deep Learning Tuning Playbook》，来自他们自己训练神经网络的实验结果以及工程师的一些实践建议，目前在Github上已有1.5k星。此版本为中文翻译版，提供给大家免费下载，因为本人知识水平有限，翻译过程中可能有误，随时欢迎大家指出错误，我会随时更正。

zotero翻译插件.xpi

2023/9/2 更新