**DFace**是个开源的深度学习人脸检测和人脸识别系统。
所有功能都采用　**[pytorch](https://github.com/pytorch/pytorch)**　框架开发。
pytorch是一个由facebook开发的深度学习框架，它包含了一些比较有趣的高级特性，例如自动求导，动态构图等。
DFace天然的继承了这些优点，使得它的训练过程可以更加简单方便，并且实现的代码可以更加清晰易懂。
DFace可以利用CUDA来支持GPU加速模式。
我们建议尝试linuxGPU这种模式，它几乎可以实现实时的效果。

深度学习、人工智能、机器学习、卷积神经网络的调研。

一份ppt介绍传统神经网络和卷积神经网络的区别和原理。
并提供了代码实现

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练

C语言的卷积/相关程序代码，本人图像处理工程中使用的代码，正确可靠！

卷积神经网络人脸识别python代码，附带讲解的ppt，txt中有资源链接。

仅使用numpy从头开始实现神经网络,包括反向传播公式推导过程;numpy构建全连接层、卷积层、池化层、Flatten层；
以及图像分类案例及精调网络案例等

注意是基于matlab编写的。
本代码简单好用，适合新手和有一定matlab基础的同学

卷积码(2_1_3)编译器的设计，卷积码原理、发展，卷积码编码过程和维特比译码。

小波变换的图像处理%MATLAB2维小波变换经典程序%FWT_DB.M;%此示意程序用DWT实现二维小波变换%编程时间2004-4-10，编程人沙威%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%clear;clc;T=256;%图像维数SUB_T=T/2;%子图维数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%1.调原始图像矩阵loadwbarb;%下载图像f=X;%原始图像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%2.进行二维小波分解l=wfilters('db10','l');%db10（消失矩为10)低通分解滤波器冲击响应（长度为20）L=T-length(l);l_zeros=[l,zeros(1,L)];%矩阵行数与输入图像一致，为2的整数幂h=wfilters('db10','h');%db10（消失矩为10)高通分解滤波器冲击响应（长度为20）h_zeros=[h,zeros(1,L)];%矩阵行数与输入图像一致，为2的整数幂fori=1:T;%列变换row(1:SUB_T,i)=dyaddown(ifft(fft(l_zeros).*fft(f(:,i)'))).';%圆周卷积FFTrow(SUB_T+1:T,i)=dyaddown(ifft(fft(h_zeros).*fft(f(:,i)'))).';%圆周卷积FFTend;forj=1:T;%行变换line(j,1:SUB_T)=dyaddown(ifft(fft(l_zeros).*fft(row(j,:))));%圆周卷积FFTline(j,SUB_T+1:T)=dyaddown(ifft(fft(h_zeros).*fft(row(j,:))));%圆周卷积FFTend;decompose_pic=line;%分解矩阵%图像分为四块lt_pic=decompose_pic(1:SUB_T,1:SUB_T);%在矩阵左上方为低频分量--fi(x)*fi(y)rt_pic=decompose_pic(1:SUB_T,SUB_T+1:T);%矩阵右上为--fi(x)*psi(y)lb_pic=decompose_pic(SUB_T+1:T,1:SUB_T);%矩阵左下为--psi(x)*fi(y)rb_pic=decompose_pic(SUB_T+1:T,SUB_T+1:T);%右下方为高频分量--psi(x)*psi(y)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%3.分解结果显示figure(1);colormap(map);subplot(2,1,1);image(f);%原始图像title('originalpic');subplot(2,1,2);image(abs(decompose_pic));%分解后图像title('decomposedpic');figure(2);colormap(map);subplot(2,2,1);image(abs(lt_pic));%左上方为低频分量--fi(x)*fi(y)title('\Phi(x)*\Phi(y)');subplot(2,2,2);image(abs(rt_pic));%矩阵右上为--fi(x)*psi(y)title('\Phi(x)*\Psi(y)');subplot(2,2,3);image(abs(lb_pic));%矩阵左下为--psi(x)*fi(y)title('\Psi(x)*\Phi(y)');subplot(2,2,4);image(abs(rb_pic));%右下方为高频分量--psi(x)*psi(y)title('\Psi(x)*\Psi(y)');%%%%%%%

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。