resnet源码

Deeplearningsimplifiedbytakingsupervised,unsupervised,andreinforcementlearningtothenextlevelusingthePythonecosystemTransferlearningisamachinelearning(ML)techniquewhereknowledgegainedduringtrainingasetofproblemscanbeusedtosolveothersimilarproblems.Thepurposeofthisbookistwo-fold;firstly,wefocusondetailedcoverageofdeeplearning(DL)andtransferlearning,comparingandcontrastingthetwowitheasy-to-followconceptsandexamples.Thesecondareaoffocusisreal-worldexamplesandresearchproblemsusingTensorFlow,Keras,andthePythonecosystemwithhands-onexamples.ThebookstartswiththekeyessentialconceptsofMLandDL,followedbydepictionandcoverageofimportantDLarchitecturessuchasconvolutionalneuralnetworks(CNNs),deepneuralnetworks(DNNs),recurrentneuralnetworks(RNNs),longshort-termmemory(LSTM),andcapsulenetworks.Ourfocusthenshiftstotransferlearningconcepts,suchasmodelfreezing,fine-tuning,pre-trainedmodelsincludingVGG,inception,ResNet,andhowthesesystemsperformbetterthanDLmodelswithpracticalexamples.Intheconcludingchapters,wewillfocusonamultitudeofreal-worldcasestudiesandproblemsassociatedwithareassuchascomputervision,audioanalysisandnaturallanguageprocessing(NLP).Bytheendofthisbook,youwillbeabletoimplementbothDLandtransferlearningprinciplesinyourownsystems.WhatyouwilllearnSetupyourownDLenvironmentwithgraphicsprocessingunit(GPU)andCloudsupportDelveintotransferlearningprincipleswithMLandDLmodelsExplorevariousDLarchitectures,includingCNN,LSTM,andcapsulenetworksLearnaboutdataandnetworkrepresentationandlossfunctionsGettogripswithmodelsandstrategiesintransferlearningWalkthroughpotentialchallengesinbuildingcomplextransferlearningmodelsfromscratchExplorereal-worldresearchproblemsrelatedtocompute

深度学习-语音识别实战(Python)视频教程分享；
章节1seq2seq序列网络模型章节2LAS语音识别模型实战章节3starganvc2变声器论文原理解读章节4starganvc2变声器源码实战章节5语音分离ConvTasnet模型章节6ConvTasnet语音分离实战章节7语音合成技术概述章节8语音合成tacotron最新版实战章节9基础补充-PyTorch框架基本处理操作章节10PyTorch使用补充-神经网络实战分类与回归任务章节11算法补充-卷积神经网络原理与参数解读章节12策略补充-迁移学习与Resnet网络架构

resnet预训练模型有resnet18.caffemodel，resnet50.caffemodel，resnet101.caffemodel，resnet152.caffemodel

resnet50已训练好模型参数，可在自己的数据上进行微调。
tensorflow

ImageNetpre-trainedResNet-101的caffemodel来源：https://github.com/KaimingHe/deep-residual-networks中提供的OneDrive链接

pytorch中的基础预训练模型和数据集(MNIST,SVHN,CIFAR10,CIFAR100,STL10,AlexNet,VGG16,VGG19,ResNet,Inception,SqueezeNet)

googleEfficientDet算法中文版paper.将高效网络骨架与我们提出的BiFPN和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP来获得更好的精度。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。

dlib_face_recognition_resnet_model_v1.datdlib_face_recognition_resnet_model_v1.dat

使用tensorflow写的resnet-110训练cifar10数据，以及inceptionv3的一个网络（不带数据集），DenseNet在写（后续更新）

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。