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
numpy库,百度云下载,几乎是python必备的第三方库,官方下载实在是几kb的速度,现在分享出来

numpy-1.18.1 mkl-cp37-cp37m-win_amd64.whl 一个用python实现的科学计算,包括:1、一个强大的N维数组对象Array;2、比较成熟的(广播)函数库;3、用于整合C/C++和Fortran代码的工具包;4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。 NumPy(Numeric Python)提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用,以及核心的科学计算组织如:Lawrence Livermore,NASA用其处理一些本来使用C++,Fortran或Matlab等所做的任务。

img
圆形标定板圆心提取及标定板位姿计算

圆形标定板圆心提取及标定程序,本程序用的是blob检测标定板圆点 位置,然后进行最优化 求解出标定板在相机坐标系下的姿态,用于手眼标定。程序参数可调

img
ml-agents-0.14.0.zip

Unity ML-Agents 是 Unity 的机器学习代理工具 The Unity Machine Learning Agents Toolkit (ML-Agents) is an open-source Unity plugin that enables games and simulations to serve as environments for training intelligent agents. Agents can be trained using reinforcement learning, imitation learning, neuroevolution, or other machine learning methods through a simple-to-use Python API. We also provide implementations (based on TensorFlow) of state-of-the-art algorithms to enable game developers and hobbyists to easily train intelligent agents for 2D, 3D and VR/AR games. These trained agents can be used for multiple purposes, including controlling NPC behavior (in a variety of settings such as multi-agent and adversarial), automated testing of game builds and evaluating different game design decisions pre-release. The ML-Agents toolkit is mutually beneficial for both game developers and AI researchers as it provides a central platform where advances in AI can be evaluated on Unity’s rich environments and then made accessible to the wider research and game developer communities.

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
神经网络 -【可以直接运行】 python代码

神经网络搭建 -【可以直接运行】 python代码 可以自行设置神经网络层数 可以自行设置每层的神经元个数 超参数是参考

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。

img
多目标快速非支配排序遗传算法-NSGA-II.zip

本文档是博客《多目标快速非支配排序遗传算法-NSGA-II》中所需要拜读的参考文献论文,包含了NSGA,NSGA-II,NGPM手册及Deb K 所撰写的与NSGA相关的部分论文,

img
cross-module Reid1-5.rar

按时间顺序整理了cross-module ReID的论文笔记(本文件是1-5篇),分别为:RGB-Infrared Cross-Modality Person Re-Identification、Cross-Modality Person Re-Identification with Generative Adversarial Training、Learning to Reduce Dual-level Discrepancy for Infrared-Visible Person Re-identification、HSME: Hypersphere Manifold Embedding for Visible Thermal Person Re-Identification、Hierarchical Discriminative Learning for Visible Thermal Person Re-Identification

img
深度学习论文阅读路线论文

收集了几十篇深度学习的论文,你可以一次性下载更加系统性的学习。 深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 [1] 深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。 [1] 深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。

img
Keras #0 - 搭建Keras环境,跑一个例程.zip

《Keras #0 - 搭建Keras环境,跑一个例程》附属文件,仅供个人学习,转载及其他使用需授权

img
10w文章标题数据(仅供学习使用)

本次上传的资料仅供nlp的学习,博主的博客中也将使用到这些数据,进行文章title的一些基本挖掘。希望大家能来博客转转,互相学习、借鉴,并提出宝贵意见。

img
REALM Retrieval-Augmented Language Model Pre-Training 翻译.pdf

语言模型预训练已经显示出可以捕获数量惊人的世界知识,这对于NLP任务(例如问题 解答)至关重要。但是,此知识隐式存储在神经网络的参数中,需要更大的网络才能 覆盖更多的事实。 为了以更模块化和可解释的方式捕获知识,我们使用潜在的知识检索器增强了语言模 型的预训练,检索器使模型可以从预训练、微调和推理期间使用的大型语料库(如 Wikipedia)中检索并使用文档。首次,我们展示了如何使用蒙版语言建模作为学习信 号并通过考虑数百万个文档的检索步骤进行反向传播,从而以无监督的方式对这种知 识检索器进行预训练。 我们通过微调开放域问答(Open-QA)的挑战性任务,证明了检索增强语言模型预训练 (REALM)的有效性。我们在三个流行的Open-QA基准测试中与最先进(SOTA)的显式和隐 式知识存储模型进行了比较,发现我们在性能上优于所有以前的方法(绝对精度为 4-16%),同时还提供了定性优势,例如可解释性和模块化。

img
tensorflow机器翻译transformer模型的样例数据集

tensorflow2.x版本,实现transformer模型的数据集。直接从国外下载的速度龟速,这里直接将数据集导入即可。 transformer模型代码参考https://tensorflow.google.cn/tutorials/text/transformer

img
基于多特征融合的路面破损图像自动识别技术研究.pdf

基于多特征融合的路面破损图像自动识别技术研究,beamlet 算法提取路面二值图像中的直线边缘,实现了道路标线图像的快速筛选,采用分裂-合并算法实现道路标线区域的精确分割。

img
EfficientNet_test.ipynb

ai研习社举办的美食挑战赛2的代码分享,用notebook写的,所以是ipynb格式的文件,代码所用的数据集地址为https://static.leiphone.com/food_challenge2.zip,代码在kaggle上运行,如何让访问kaggle更快看这篇文章https://mp.csdn.net/console/editor/html/104365844

img
学术文献语料库.zip

以论文摘要为主的20000+条语料,包含多个学科分类的内容,内容丰富,可做自然语言处理初学者日常学习之用。

img
HousePrice.zip

Kaggle网站上下载的竞赛数据集,由于现在Kaggle网页需要外网才能注册,所以分享这份数据集希望可以供机器学习的爱好者当做练习。

img
The Inner Workings of word2vec By Chris McCormick.pdf

The Inner Workings of word2vec By Chris McCormick,Welcome to my word2vec eBook! Whether you are a student learning important machine learning concepts, a researcher exploring new techniques and ideas, or an engineer with a vision to build a new product or feature, my hope is that the content in this guide will help you gain a deeper understanding of the algorithm, and equip you to realize your own goals faster and with better results. Here is an overview of the content you’ll find in this book.

img
VGG16_catdogt.rar

tensorflow的猫狗分类