深度学习实战
作者:Douwe Osinga
出版社:机械工业出版社
ISBN:9787111624837
VIP会员免费
(仅需0.8元/天)
¥ 45.0
温馨提示: 价值40000元的1000本电子书,VIP会员随意看哦!
电子书推荐
-
深度学习(花本)最新版-Bengio,GoodFellow 评分:
★ 本书是深度学习领域奠基性的经典图书 ★ 英文版自2016年年底上市以来,始终位居美国亚马逊人工智能类图书第1位 ★ 全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写 本书包括3 个部分:第1 部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2 部分系统深入地讲解现今已成熟的深度学习方法和技术;第3 部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。 本书适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
上传时间:2017-07 大小:30.39MB
- 31.21MB
深度学习,Goodfellow,Bengio,花书 开源版PDF,v5最新版
2018-07-30深度学习,开源最新版,完美版,非影印,有目录!Bengio等大神巨作!
- 45.1MB
DeepLearningBook-深度学习-中文版英文版-Ian GoodFellow等
2018-04-07深度学习;deep learning book;作者Ian GoodFellow、Yoshua Bengio、Aaron Courville;中英文两版;仅供学习参考之用
- 13.11MB
深度学习(Deep Learning) Yoshua Bengio & Ian GoodFellow中文版
2018-06-26深度学习 (Deep Learning) Yoshua Bengio & Ian GoodFellow高清中文版,Github官网中文原版,非网络版
- 14.64MB
DeepLearning-Lan Goodfellow 深度学习-赵申剑译
2018-01-10深度学习 pdf 文字版,带书签整合版,文件太大,压缩了一下。 作者: 【美】Ian Goodfellow(伊恩·古德费洛) , 【加】Yoshua Bengio(约书亚·本吉奥) , 【加】Aaron Courville(亚伦·库维尔) 译者: 赵申剑 , ...
- 25.27MB
Bengio Goodfellow Courville等大神著Deep Learning
2016-09-22谷歌大脑团队科学家Ian Goodfellow, Yoshua Bengio and Aaron Courville撰写MIT出版的《Deep Learning》pdf版本。
- 30.44MB
Deep Learning 深度学习 Yoshua Bengio& Ian GoodFellow中文版
2018-11-06Deep Learning 深度学习 Yoshua Bengio& Ian GoodFellow中文版 仅用作学习参考,不得用作商业用途
- 2.23MB
深度学习-LeCun、Bengio和Hinton的联合综述外文文献及中文翻译
2018-05-07深度学习-LeCun、Bengio和Hinton的联合综述外文文献及中文翻译
- 21.38MB
Deep Learning - Yoshua Bengio
2015-11-25深度学习,Deep Learning - Yoshua Bengio
- 13.30MB
deep learning (中文版)Lan Goodfellow Yoshua Bengio
2017-12-27对于那些刚接触深度学习,而不知道学习什么的人来说,这本书会给出一个清晰...本文由Lan Goodfellow,Yoshua Bengio,Aaron Courville合作完成,其中Lan被誉为“GAN之父”,Yoshua Bengio也是深度学习研究领域的专家。
- 21.68MB
Deep Learning-Bengio
2018-04-18deep learning大牛Yoshua Bengio的deep learning,全英文版本
- 26.50MB
Goodfellow Bengio 深度学习 Deep Learning Book pdf 最新中文版 v0.6
2018-03-26Deep learning Book by Ian Goodfellow and Yoshua Bengio
- 30.80MB
深度学习(Deep Learning) Yoshua Bengio & Ian GoodFellow中文版1
2022-08-03前言本书面向的读者 .深度学习的历史趋势 .神经网络的众多名称和命运变迁.与日俱增的数据量 .与日俱增的模型规模 .与日俱增的精度、复杂度和对现实世界的冲击 .
- 16.72MB
Deep LearningNov 18 2016 by Ian Goodfellow and Yoshua Bengio(英文版)
2018-02-07(英文版)《Deep Learning》(深度学习)由机器学习领军人物 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville联合编写。深度学习是机器学习中一个非常接近AI的领域,其动机在于建立、模拟人脑进行分析学习的神经...
- 293.88MB
YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数
2023-10-06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。
- 98KB
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
2024-03-12YOLOv8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
- 367.44MB
yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt
2023-10-09yolov8(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
- 26.50MB
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)
2023-11-12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
- 141KB
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
2023-03-16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
- 62.4MB
行人跌倒数据集(VOC格式)
2023-01-30行人跌倒数据集(VOC格式)
- 40.38MB
YOLOV5 + 双目相机实现三维测距(新版本)
2024-04-14YOLOV5 + 双目相机实现三维测距(新版本)
- 123.13MB
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
2024-02-17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
- 728KB
全新的SOTA模型YOLOv9
2024-02-22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。
- 850.77MB
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
2021-12-14YOLOV5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!
- 30.81MB
基于YOLOv8-Pose的姿态识别项目,带数据集可直接跑通的源码
2023-12-26这个项目是一个基于YOLOv8-Pose的姿态识别系统,专门用于识别和分析人体姿态。项目采用了最新的YOLOv8-Pose算法,结合了COCO数据集的8种常见姿态,能够快速准确地识别人体的各种姿态。这个可以作为一个简单的项目案例,后续可以直接换成自己的数据去进行训练。 功能特点: 高效识别:使用了先进的YOLOv8-Pose算法,确保了识别的准确性和效率。 支持多种姿态:能够识别COCO数据集中定义的8种主要姿态。 实时处理能力:项目设计支持实时姿态识别,适用于视频监控、动态分析等场景。 使用方法: 环境要求:详细说明所需的操作系统、依赖库和运行环境。 安装步骤:提供项目安装和配置的具体指导。 运行指南:说明如何启动姿态识别任务,包括命令行参数等。
- 1.70MB
pycharm连接autodl服务器(yolov8训练自己的数据集)
2024-02-16里面没写怎么配置yolov8环境,这个参考官方文档就行很简单一行代码即可
- 2.50MB
Deep Learning Tuning Playbook(中译版)
2023-01-30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。
- 101KB
zotero翻译插件.xpi
2022-04-152023/9/2 更新
- 115.85MB
Informer模型实战案例(代码+数据集+参数讲解)
2023-11-10本篇博客带大家看的是Informer模型进行时间序列预测的实战案例,它是在2019年被提出并在ICLR 2020上被评为Best Paper,可以说Informer模型在当今的时间序列预测方面还是十分可靠的,Informer模型的实质是注意力机制+Transformer模型,Informer模型的核心思想是将输入序列进行自注意力机制的处理,以捕捉序列中的长期依赖关系,并利用Transformer的编码器-解码器结构进行预测,通过阅读本文你可以学会利用个人数据集训练模型。Informer是一种用于长序列时间序列预测的Transformer模型,但是它与传统的Transformer模型又有些不同点,与传统的Transformer模型相比,Informer具有以下几个独特的特点: 1. ProbSparse自注意力机制:Informer引入了ProbSparse自注意力机制,该机制在时间复杂度和内存使用方面达到了O(Llog L)的水平,能够有效地捕捉序列之间的长期依赖关系。 2. 自注意力蒸馏:通过减少级联层的输入,自注意力蒸馏技术可以有效处理极长的输入序列,提高了模型处理长序列的能力
- 7.77MB
Python数据分析与可视化大作业 + 源代码 + 数据 + 详细文档
2024-05-17python读取excel数据 Python数据分析与可视化大作业 + 源代码 + 数据 + 详细文档