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
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
2023/12/5 2:18:01
923B
1
resnet预训练模型有resnet18.caffemodel，resnet50.caffemodel，resnet101.caffemodel，resnet152.caffemodel
2023/10/25 19:38:26
508.41MB
1
ImageNetpre-trainedResNet-101的caffemodel来源：https://github.com/KaimingHe/deep-residual-networks中提供的OneDrive链接
2023/8/15 8:16:19
158.3MB
1
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)
2023/8/13 20:09:31
38KB
1
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。
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。
2023/7/30 7:35:17
559KB
1
dlib_face_recognition_resnet_model_v1.datdlib_face_recognition_resnet_model_v1.dat
2023/7/23 17:37:03
21.43MB
1
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）
2023/7/21 8:29:52
12.77MB
1
inception_resnet_v2_2016_08_30预训练模型,imagenet
2023/7/19 12:51:10
209.43MB
1
dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型，可以实现使用dlib中的深度残差网络(ResNet)进行实时人脸识别。
2023/6/4 23:33:32
19.98MB
1
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。
2024-04-09 15:03
15KB