img
中国信通院-数字健康技术疫情防控应用案例(第一期)-2020年2月.pdf

数字健康技术疫情防控应用案例集(第一期),由中国信通院发布。其中详细说明了:战“疫”正在进行,白衣战士毫不松懈。各单位发挥多功能优势,协同,连续作战,为打赢疫情阻击战提供有力支撑!

img
钟南山十问十答:武汉地区真正停止人传人现象还需要一个过程.pdf

2020年2月18日下午,广东省召开新冠肺炎疫情防控相关情况发布会,国家卫健委高级别专家组组长、中国工程院院士钟南山再度现身,就新冠肺炎特效药、潜伏期、核酸检测等群众关注的十个问题,答疑释惑。

img
人工智能机器学习训练数据

人工智能训练数据。自2015年开始,AI逐渐走上风口,而后随着AI的逐步落地,其应用的一个重要场景也凸显出来——智能客服。这是由诸多因素决定的:一方面是传统客服行业的人力投入大,管理困难,同时一线客服的可替代性强;另一方面则是目前的AI的作用也仅限于辅助人,或者替代人完成大量重复性的劳动,这两方面的情况就促成了AI在客服行业的广泛落地:智能客服机器人、智能质检和外呼系统等等。

img
TensorFlow 官方文档中文版

TensorFlow 是 Google 研发的第二代人工智能学习系统,是 Google 为了帮助全球开发者们更加方便和高效地开发机器学习 (Machine Learning)和人工智能 (AI) 应用而开发的一整套开发平台和框架。被广泛应用于语音识别和图像识别等多项机器学习、深度学习领域。开发者可以使用 TensorFlow 轻松进行模型的构建和训练。 为了方便开发者和研究人员了解学习和使用 TensorFlow,我们准备了下列内容。并为大家提供了 TensorFlow 中文文档。

img
keras2.0中文文档.rar

keras2.0中文文档。 keras2.0中文文档官方,由浅入深介绍keras深度学习框架 Keras是一个高层神经网络API,Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生,能够把你的idea迅速转换为结果,如果你有如下需求,请选择Keras: 简易和快速的原型设计(keras具有高度模块化,极简,和可扩充特性) 支持CNN和RNN,或二者的结合 无缝CPU和GPU切换

img
test.cnnf.ipynb

.ipynb 文件,为了 tensorflow 加载 CNN-F/VGG-F 在 ImageNet 如训练参数而做的分析

img
有关模型梯度爆炸,消失的定义及策略;过拟合和欠拟合.docx

这是在伯禹课堂上学习内容的总结,具体包含梯度爆炸、梯度消失等定义并举例(利用线性回归模型);过拟合和欠拟合的定义,如何避免的方法。

img
优达学城行车记录仪数据集.txt

优达学城行车记录仪数据集,Baidu Pan Link。 里面含有nonvehicle 和 vehicle 两个数据集。 用于深度学习技术图像处理入门第3章。

img
SSD论文解读.md

本文从相关知识、主要贡献、SSD模型结构以及实验设计四个方面解读了SSD论文,并对其中的相关概念进行了分析。

img
(最新版)Deeplearning深度学习笔记.pdf

该资源是吴恩达教授深度学习视频的配套笔记,全中文,简单实用,适合机器学习0基础爱好者进一步理解深度学习概念和实现方式等

img
一种基于FPGA的卷积神经网络硬件加速架构.caj

发明名称:一种基于FPGA的卷积神经网络硬件加速架构 摘要 本发明公开一种基于FPGA的卷积神经网络硬件加速架构,包括:通用AXI4总线接口;用于缓存输入特征图,输出特征图和权重的缓存区;用于引导运算结果缓存的存储路由逻辑;多个MAC单元构成的乘累加阵列;卷积运算单元,用于从缓存区读取相应输入特征图与权重以进行卷积运算,累加偏置并进行非线性处理,并将运算结果写入相应输出特征图缓存区;池化运算单元,用于从缓存区读取相应输入特征图以进行池化运算,并将运算结果写入相应输出特征图缓存区;运算控制器,分为卷积控制器和池化控制器,分别控制卷积和池化的运算过程。本发明能够提高卷积神经网络硬件加速性能,具有可扩展性强,吞吐率高等优点。CN 110135554 A2019.08.16

img
近期必读的6篇AI顶会WWW 2020【图神经网络(GNN)】相关论文.zip

近期,随着WWW 2020会议的临近,有很多paper放出来,我们提前整理了会议上图神经网络(GNN)比较有意思的的论文—TaxoExpan,结构深度聚类网络、MetapathGNN、对抗样本、图域自适应。

img
深度学习金融应用综述(Deep Learning for Financial Applications)【52页pdf】.zip

在这篇论文中,我们试图提供当今金融应用的DL模型的最新快照。我们不仅根据他们在金融领域的意向子领域对作品进行了分类,还根据他们的DL模型对作品进行了分析。此外,我们还旨在确定未来可能的实现,并强调了该领域内正在进行的研究的途径。

img
【科学预测】各地疫情结束时间表!.pdf

2月10日,我们率先通过大数据建模,对疫情做了详细和全面的测算,并预测了部分地区疫情结束的时间。文章发出后两天,钟南山院士对疫情结束时间也做了与我们相似的预测。由于受到了大量的关注和普遍的欢迎,随着时间的推移和数据的更新,我们决定进一步更新预测结果,希望给到大家更加准确的时间表。

img
最新7万病例新型冠状病毒肺炎流行病学特征分析(中国疾控中心发布).zip

近日,在《中华流行病学杂志》上,一篇来自中国疾病预防控制中心(China CDC)的新研究引发了所有人的关注。在该论文中,研究人员调查了截至 2 月 11 日中国内地传染病报告信息系统中上报的所有新型冠状病毒肺炎病例,总人数高达 72314 人。这是迄今为止调查范围最广,最具统计学习意义的一份研究。

img
pandas_beginner.pdf

pandas一天上手入门文档 简明扼要的介绍了pandas入门知识 快速上手pands数据处理的精美资料

img
密集人群计数方法总结.ppt

计算机视觉方向,最全的密集人群计数方法总结,各领域对比,初学者或老师授课ppt。适用于初学者,总结了目前人群计数方向各个领域,各种方法的应用。欢迎大家一起学习交流,

img
python手写数字集.rar

《python神经网络》手写数字训练集,训练集60000个,测试集10000个。文件格式为csv,可以用excel查看,是想要学习并实现简单神经网络的训练数据。

img
MIT公开课-Vivienne Sze教授:如何理解和评估深度学习处理器.pdf

Many existing Deep Learning Processors. Too many to cover! 1、In this tutorial, we focus on how to evaluate DL processors What are the key questions to ask? 2、Specifically, we will discuss What are the key metrics that should be measured and compared? What are the challenges towards achieving these metrics? What are the design considerations and tradeoffs? How do these challenges and design considerations differ across platforms (e.g., CPU, GPU, ASIC, PIM, FPGA)? 3、We will focus on inference, but many concepts covered also apply to training

img
MIT公开课-Vivienne Sze教授《深度学习硬件加速器》.pdf

演讲主讲人是 Vivienne Sze,来自 MIT 的高效能多媒体系统组(Energy-Efficient Multimedia Systems Group)。她曾就读于多伦多大学,在 MIT 完成 PhD 学业并获得电气工程博士学位,目前在 MIT 任教。Sze 教授的主要研究兴趣是高效能算法和移动多媒体设备应用架构,她最近在MIT公开课给了《 Efficient Computing for Deep Learning, AI and Robotics》报告。 本次演讲的主题是 DNN 在硬件设备中的高效计算处理方法。随着深度学习算法效率逐渐提高,计算速度、延迟程度、耗能和硬件成本成为制约算法性能的瓶颈问题。如果能够解决这些问题,包括自动驾驶、无人机导航、智能手机、可穿戴设备和物联网设备就都能够受益于算法性能的提升。 在演讲中,Sze 教授首先会介绍 DNN 算法,以及它们在各类硬件上部署时可能带来的性能损失。更重要的是,演讲会提到基准测试和评价标准对设计高效 DNN 算法带来的影响。之后,Sze 教授会从算法角度硬件架构两个角度介绍减少耗能的方法。同时,演讲也会涵盖将这些方法应用于计算机视觉等领域。Sze 教授因多项成果获得过谷歌和 Facebook 的 faculty 奖等多个奖项。 本次演讲的主要目标如下: 1. 让硬件高效处理 DNN 的方法(非常多); 2. 关注包括设计 DNN 硬件处理器和 DNN 模型的评估方法; 设计 DNN 硬件处理器和 DNN 模型的方法; 研究过程中,你应当问什么样的关键问题; 3. 具体地,演讲还会讨论; 真正需要评价和对比的评估指标体系; 达成这些指标的挑战; 了解设计中需要考虑到的问题,以及可能平衡在算法性能和耗能中遇到的问题; 4. 要关注硬件推理,但包括一部分训练的内容。