深度学习不断增长的能源耗费和性能成本，促使社区通过选择性修剪组件来减少神经网络的规模。
与生物学上的相似之处是，稀疏网络即使不能比原来的密集网络更好，也能得到同样好的推广。

深度学习一书中文版，英语不好的可以看中文版的，很好的一个资源

前言第1章　绪论第2章　算法复杂度与问题的下界2.1　算法的时间复杂度2.2　最好、平均和最坏情况的算法分析2.3　问题的下界2.4　排序的最坏情况下界2.5　堆排序：在最坏情况下最优的排序算法2.6　排序的平均情况下界2.7　通过神谕改进下界2.8　通过问题转换求下界2.9　注释与参考2.10　进一步的阅读资料习题第3章　贪心法3.1　生成最小生成树的Kruka1算法3.2　生成最小生成树的Prim算法3.3　单源最短路径问题3.4　二路归并问题3.5　用贪心法解决最小圈基问题3.6　用贪心法解决2终端一对多问题3.7　用贪心法解决1螺旋多边形最小合作警卫问题3.8　实验结果3.9　注释与参考3.10　进一步的阅读资料习题第4章　分治策略4.1　求2维极大点问题4.2　最近点对问题4.3　凸包问题4.4　用分冶策略构造Voronoi图4.5　voronoi图的应用4.6　快速傅里叶变换4.7　实验结果4.8　注释与参考4.9　进一步的阅读资料习题第5章　树搜索策略5.1　广度优先搜索5.2　深度优先搜索5.3　爬山法5.4　最佳优先搜素策略5.5　分支限界策略5.6　用分支限界策略解决人员分配问题5.7　用分支限界策略解决旅行商优化问题5.8　用分支限界策略解决O，1背包问题5.9　用分支限界方法解决作业调度问题5.10　A*算法5.11　用特殊的A*算法解决通道路线问题5.12　用A*算法解决线性分块编码译码问题5.13　实验结果5.14　注释与参考5.15　进一步的阅读资料习题第6章　剪枝搜索方法6.1　方法概述6.2　选择问题6.3　两变量线性规划6.4　圆心问题6.5　实验结果6.6　注释与参考6.7　进一步的闷读瓷料习题弟7章　动态规划方法7.1　资源配置问题7.2　最长公共f序列问题7.3　2序列比对问题7.4　RNA最大碱基对匹配问题7.5　0，1背包问题7.6　最优二卫树问题7.7　树的带权完垒支配问题7.8　树的带权单步图边的搜索问题7.9　用动态规划方法解决1螺旋多边形m守卫路由问题7.10　实验结果7.11　注释与参考7.12　进一步的阅读资料习题第8章　NP完全性理论8.1　关十NP完垒性理论的非形式化讨论8.2　判定问题8.3　可满足性问题8.4　NP问题8.5　库克定理8.6　NP完全问题8.7　证明NP完全性的例子8.8　2可满足性问题8.9　注释与参考8.10　进一步的阅读资料习题第9章　近似算法9.1　顶点覆盖问题的近似算珐9.2　欧几里得旅行商问题的近似算法9.3　特殊瓶颈旅行商问题的近似算珐9.4　特殊瓶颈加权K供应商问题的近似算法9.5　装箱问题的近似算法9.6　直线m中心问题的最优近似算法9.7　多序列比对问题的近似算珐9.8　对换排序问题的2近似算法9.9　多项式时间近似方案9.10　最小路径代价生成树问题的2近似算法9.11　最小路径代价生成树问题的Pns9.12　NP0完全性9.13　注释与参考9.14　进一步的阅读资料习题第10章　分摊分析10.1　使用势能函数的例子10.2　斜堆的分摊分析10.3　Av1树的分摊分析10.4　自组织顺序检索启发式方法的分摊分析10.5　配对堆及其分摊分析10.6　不相交集合并算法的分摊分析10.7　一些磁盘调度算法的分摊分析10.8　实验结果10.9　注释与参考10.10　进步的阅读资料习题第11章　随机算法11.1　解决最近点对问题的随机算珐11.2　随机最近点对问题的平均性能11.3　素数测试的随机算法11.4　模式匹配的随机算法11.5　交互证明的随机算法11.6　最小生成树的随机线性时间算法11.7　注释与参考11.8　进一步的阅读资料习题第12章　在线算法12.1　用贪心法解决在线欧几里得生成树问题12.2　在线K服务员问题及解决定义在平面树上该问题的贪心算法12.3　基于平衡策略的在线穿越障碍算法12.4　用补偿策略求解在线二分匹配问题12.5　用适中策略解决在线m台机器调度问题12.6　基于排除策略的三个计算几何问题的在线算法12.7　基于随机策略的在线生成树算法12.8　注释与参考12.

实现效果：http://v.youku.com/v_show/id_XMTU2Mzk0NjU3Ng==.html如何在你的电脑上运行这个程序？1，它需要cvblobslib这一个opencv的扩展库来实现检测物体与给物体画框的功能，具体安装信息请见：http://dsynflo.blogspot.com/2010/02/cvblobskib-with-opencv-installation.html，当你配置好cvblobslib之后，你可以用这一的程序进行测试：http://dl.dropbox.com/u/110310945/Blobs%20test.rar2，视频中两个摄像头之间的距离是6cm，你可以根据你摄像头的型号，来选择合适的距离来达到最好的效果。
3，在进行测距之前，首先需要对摄像头进行标定，那么如何标定呢？在stdafx.h中把"#defineCALIBRATION0"改成“#defineCALIBRATION1”表示进行标定，标定之后，你就可以在工程目录下的"CalibFile"文件夹中得到标定信息的文件。
如果标定效果还不错，你就可以吧"#defineCALIBRATION"改成0，以后就不需要再标定，直接使用上一次的标定信息。
你还需要把"#defineANALYSIS_MODE1"这行代码放到stdafx.h中。
4，视频中使用的是10*7的棋牌格，共摄录40帧来计算摄像头的各种参数，如果你像使用其他棋盘格，可以在"StereoFunctions.cpp"文件中修改相应参数。
5，如果你无法打开摄像头，可以在"StereoGrabber.cpp"文件中修改代码“cvCaptureFromCAM(index)”中index的值。
6，Aboutcomputingdistance:itinterpolatestherelationshipbetweendepth-valueandreal-distancetothirddegreepolynomial.Soiusedexcelfile"interpolation"forinterpolationtofindk1tok4,youshouldfindyourownvalueoftheseparameters.7，你可以通过调整控制窗口中各个参数的滑块，从而来得到更好的视差图。
8，在目录下的”distance“文件夹中，有计算距离信息的matlab代码。
9，如果你想了解基本的理论，可以看一下这个文档和代码（视频里的代码其实就是根据这个代码改的）：http://scholar.lib.vt.edu/theses/available/etd-12232009-222118/unrestricted/Short_NJ_T_2009.pdf视频中环境：vs2008，opencv2.1

作为主流的动态语言，python不仅简单易学、移植性好，而且拥有强大丰富的库的支持。
此外，python强大的可扩展性，让开发人员既可以非常容易地利用c/c++编写python的扩展模块，还能将python嵌入到c/c++程序中，为自己的系统添加动态扩展和动态编程的能力。
　　为了更好地利用python语言，无论是使用python语言本身，还是将python与c/c++交互使用，深刻理解python的运行原理都是非常重要的。
本书以cpython为研究对象，在c代码一级，深入细致地剖析了python的实现。
书中不仅包括了对大量python内置对象的剖析，更将大量的篇幅用于对python虚拟机及python高级特性的剖析。
通过此书，读者能够透彻地理解python中的一般表达式、控制结构、异常机制、类机制、多线程机制、模块的动态加载机制、内存管理机制等核心技术的运行原理，同时，本书所揭示的动态语言的核心技术对于理解其他动态语言，如javascript、ruby等也有较大的参考价值。
　　本书适合于python程序员、动态语言爱好者、c程序员阅读。

Sciblog支持信息和代码此仓库包含支持我的博客的项目，其他信息和代码：。
您可以找到我在发表的所有帖子的列表。
笔记本项目：在这个项目中，我们解释什么是卷积以及如何使用带有MNIST字符识别数据集的MXNet深度学习库来计算CNN。
这里是。
：在本项目中，我们使用PyTorch解释迁移学习的基本方法（微调和冻结），并分析在哪种情况下更好地使用每种方法。
这里是。
：在这些笔记本中，我们展示了如何使用Char-CNN和VDCNN模型执行字符级卷积以进行情感分析。
这里是。
：在本笔记本中，我们展示了许多简单的技术来生成图像，文本和时间序列中的新数据。
这里是。
降：在本项目中，我们使用sklearn和CUDA展示t-SNE算法的示例。
我们使用CNN从图像生成高维特征，然后展示如何将其投影并可视化为二维空间。
这里是。
：在本笔记本中，我们使用GPU上的LightGBM（也可在CPU上）设计实时欺诈检测模型。
然后使用Flask和websockets通过API对模型进行操作。
这里是。
：在本笔记本中，我们演示如何创建图像分类API。
该系统与使用CNTK深度

AttentionModel在ImageCaption、MachineTranslation、SpeechRecognition等领域上有着不错的结果。
那么什么是AttentionModel呢？举个例子，给下面这张图片加字幕（ImageCaption）：一只黄色的小猫带着一个鹿角帽子趴在沙发上。
可以发现在翻译的过程中我们的注意力由小猫到鹿角帽子再到沙发（小猫→鹿角帽子→沙发）。
其实在很多和时序有关的事情上，人类的注意力都不是一成不变的，随着事情（时间）发展，我们的注意力不断改变。

主要用于图像中目标检测，快速标注出目标的具体位置吗，方便使用者训练测试，减轻了人工标注的精力！

二叉树的基本功能：1、二叉树的建立2、前序遍历二叉树3、中序遍历二叉树4、后序遍历二叉树5、按层序遍历二叉树6、求二叉树的深度7、求指定结点到根的路径8、二叉树的销毁9、其他：自定义操作

有深度学习中必读经典，以及相应的matlab代码。
此外，文章中本人做的笔记，希望能帮助大家更好的理解。
文章为：1.Afastlearningalgorithmfordeepbeliefnets（Hinton）2.LearningDeepArchitecturesforAI（Bengio）3.APracticalGuidetoTrainingRestrictedBoltzmannMachines（Hinton）等。
。
code为经典的deeplearningtool（matlab版），有DBN，NN，CNN，etc。

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。