移动深度学习

d2l-pytorch：该项目复制了Dive Into Deep Learning（Dive Into Deep Learning）（www.d2l.ai）一书，将MXNet中的代码改编为PyTorch

更新：请参阅，以获取完整的PyTorch端口。 我们不再维护此仓库。 该项目改编自原始的书籍，作者是Aston Zhang，Zachary C. Lipton，Mu Li，Alex J. Smola和所有社区贡献者。 原始书籍的GitHub： : 。 我们已经努力修改了这本书，并将MXnet代码片段转换为PyTorch。 注意：某些ipynb笔记本可能无法在Github中完美呈现。 我们建议cloning库或使用查看笔记本。 章节 Ch02安装 Ch03简介 第04章预备课程：速成班 4.1 4.2 4.3 4.4 4.5 4.6 Ch05线性神经网络 5.1 5.2 5.3 5.4 5.5 5.6 5.7 Ch06多层感知器 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 Ch07深度学习计算 7.1 7.2 7.3 7.4 7.5 7.6 Ch08卷积神经网络 8.1 8.2 8.3 8.4 8.5 8.6 Ch09现代卷积网络 9.1 9.2 9.3 9.4 9.

动手学深度学习源码PYtorch版本

2019年最新的深度学习代码 下载于github网站 下载速度慢 已经下载下来了 给需要下载的同学 自学的朋友有福了

Dive_into_DeepLearning:《深入学习》 PyTorch版本的笔记

Dive_into_DeepLearning 《深入学习》 PyTorch版本的笔记 运行环境：Google Colab PyTorch版本：1.7 参考链接： : 原书链接： :

动手学深度学习（Dive into Deep Learning，D2L

# 包含目录 [动手学深度学习（Dive into Deep Learning，D2L） 墙裂推荐](https://github.com/d2l-ai/d2l-zh) 1. 行为识别 Action_Recognition IDT TSN C3D CDC R-C3D 2. 目标检测 大型网络 MaskRCNN FCIS DCNN DenseNet DetNet ResNet vgg16-SSD Xception 前文还有： yolov1 v2 v3 darknet / caffe 3. 目标检测 小型网络 MobileNet v1 v2 -ssd ShuffleNet-ssd

Dive-into-DL-TensorFlow2.0：本项目将《动手学深度学习》（Dive into Deep Learning）原书中的MXNet实现替代TensorFlow 2.0实现，项目已获得李沐老师的认可

将原书中MXNet代码实现转换TensorFlow2实现。通过的导师咨询李沐老师，这个项目的实施已得到李沐老师的同意。原书作者：阿斯顿·张，李沐，扎卡里C.立顿，亚历山大J.斯莫拉以及其他社区贡献者，GitHub地址： : 此书的，版本存在一些不同，本项目主要针对此书的中文版进行TensorFlow2转换。另外，本项目也参考了该书的中文版进行PyTorch替代的项目 ，在此表示感谢。 逐步更新到十章，持续更新中。。。 已项目被机器之心等多家公众号，受到并且李原作者沐的 简介 本仓库主要包含代码和文档两个文件夹（外加一些数据存放在数据中。）。其中代码文件夹就是每章相关的jupyter notebook代码（基于TensorFlow2）；文档文件夹就是markdown格式的《动手学深度学习》书中的相关内容，然后利用将网页文档部署到GitHub Pages上，由于原书使用的是MXNet框架，所以文档内容可能与原书略有不同，但整体内容是一样的。欢迎对本项目做出贡献或提出问题。 面向人群 本项目面向要求深度学习兴趣，尤其是想使用TensorFlow2进行深度学习的童鞋。本项目并不要求你有任何

Image-Forgery-using-Deep-Learning:使用深度学习的图像伪造检测，在PyTorch中实现

使用深度学习进行图像伪造 使用深度学习的图像伪造检测，在PyTorch中实现。 提议 整个框架：首先，将RGB图像分为重叠的块（64x64）。 然后，在被网络打分之前，将RGB色块转换为YCrCb颜色通道。 最后，设计了一个后期处理阶段，以完善网络的预测，并就图像的身份验证做出最终结论。 深度神经网络改编自MobileNet-V2。 但是，我们修改了原始MobileNet-V2，使其与我们的问题更加相关。 下图描述了体系结构修改。 实验结果 我们已经对模型配置进行了全面评估，以显示哪个因素可以改善模型的最终性能。 为了解决这个问题，我们定义了与MobileNetV2（称为MBN2）一起作为核心的六种配置。 要考虑两个颜色通道，即RGB和YCrCb。 此外，还考虑了三种MobileNetV2架构进行比较。 第一个体系结构是从零开始训练的MobileNetV2，第二个体系结构是通过Image

Deep-Learning-Scratch-Arena：从头开始实施最重要的深度学习基本构建块。 我的目标是通过交互式的，有据可查的jupyter笔记本，为深度学习及其应用的基础知识提供高质量的Scratch实现。 所有笔记本均随附使用Tensorflow，MXNet和Pytorch的实现

Deep-Learning-Scratch-Arena：从头开始实施最重要的深度学习基本构建块。 我的目标是通过交互式的，有据可查的jupyter笔记本，为深度学习及其应用的基础知识提供高质量的Scratch实现。 所有笔记本均随附使用Tensorflow，MXNet和Pytorch的实现

Learn_Dive-into-DL-PyTorch:Datawhale第10期组队学习活动：《动手学深度学习》 Pytorch版的练习代码

学习_潜入DL-PyTorch 本项目新生于Datawhale :spouting_whale:第10期组队学习活动：《动手学深度学习》 Pytorch版，由Datawhale成员安晟维护 《动手学深度学习》是亚马逊首席科学家李沐等人编写的一本优秀的深度学习教学，原书作者：阿斯顿·张，李沐，扎卡里C.立顿，亚历山大J.斯莫拉以及其他社区贡献者 中文版：| 英文版：| 针对本书的MXNet代码，github分别有中英两个开源版本的Pytorch扩展：| 本项目正在对以上优质资源的代码进行学习和复现，随后将会力求进一步扩展，补充最新的模型，训练技巧，学术进展等 持续更新中... 食用方法 对于已更新完成的部分，每个小节都配备了和原书呼应的markdown教程供阅读，以及对应的源码供大家练习，调试和运行。 此外大家还可以在伯禹学习平台找到相关的视频学习资料 在部分涉及比较多理论的章节，以便让公式正常显示，强烈建议安装c

Dive into Deep Learning

deep learning has taken the world by surprise, driving rapid progress in fields as diverse as computer vision, natural language processing, automatic speech recognition, reinforcement learning, and ...

Dive into Deep Learning中文版1

Dive into Deep Learning中文版1

Dive into Deep Learning A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola

这本书是 最新 2019年 UC Berkeley 春季 深度学习课程教材，另外可以在 github 上找到相应的配套代码。对于深度学习的入门和进阶都大有裨益。

Dive into Deep Learning (D2L Book)-python

Dive into Deep Learning: an interactive deep learning book with code, math, and discussionsDive into Deep Learning (D2L Book) 图书网站 | 加州大学伯克利分校 STAT 157 课程，2019 年Spring 贡献（了解方法...

Python-动手学深度学习例子的PyTorch实现

This is an attempt to modify Dive into Deep Learning, Berkeley STAT 157 (Spring 2019) textbook's code into PyTorch.

Dive-into-DL-PyTorch.rar

Dive-into-DL-PyTorch.pdf 和Dive-into-DL-PyTorch-master(for chinese version) 资料pytorch

Python Deep Learning - Valentino Zocca

Get a practical deep dive into deep learning algorithms Explore deep learning further with Theano Caffe Keras and TensorFlow Learn about two of the most powerful techniques at the core of many ...

Deep Dive into Android IPC-Binder Framework

Deep Dive into Android IPC-Binder Framework 深入Android IPB/Binder 框架

Dive-into-DL-Pytorch_深度学习_

深度学习神经网络必备知识硬核专业理门槛高数学知识要求较扎实

Dive-into-DL-Pytorch.rar

Dive-into-DL-Pytorch

Deep Learning: Practical Neural Networks with Java 完整高清英文azw3版

Get a practical deep dive into machine learning and deep learning algorithms Explore neural networks using some of the most popular Deep Learning frameworks Dive into Deep Belief Nets and Stacked ...

Dive Into Python 中文版

目录 第 1 章 安装 Python........................................................................................................................................7 1.1. 哪一种 Python 适合您？...

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

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

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

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

YOLOV5 + 双目相机实现三维测距（新版本）

YOLOV5 + 双目相机实现三维测距（新版本）

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

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。