深度学习500问。
根据github开源项目的资料整合为pdf。
项目地址:https://github.com/scutan90/DeepLearning-500-questions
根据github开源项目的资料整合为pdf。
项目地址:https://github.com/scutan90/DeepLearning-500-questions
2025/8/3 22:44:46
89.26MB
1
总结了深度学习中的分类网络，从Le-net，Alex-net,Vgg,googlenet(inceptionv1,v2,v3),netinnet,resnet50,SEnet,mobilenet,shuffleNet,还总结了相应的知识点。
2025/8/1 17:01:18
1.64MB
1
深度学习所用protobuf。
tensorflow依赖与该资源，需要通过其中的protoc对指定目录进行编译。
tensorflow依赖与该资源，需要通过其中的protoc对指定目录进行编译。
2025/7/17 17:19:01
12.43MB
1
本文档从最基础的原理着手，介绍了使用CNN卷积神经网络进行图片分类，是利用深度学习通过卷积神经网络进行图片分类比较不错的参考资料。
2025/7/16 12:46:40
1.35MB
1
吴恩达深度学习Python完整代码，包含无正则化、L2正则化及Dropout三种情况并包含绘制边缘曲线，跑通视频已在压缩包，更加直观的证明本程序跑通并实现哪些功能
2025/7/16 1:45:23
1.82MB
1
这里主要讲深度学习用在超分辨率重建上的开山之作SRCNN。
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：
2025/7/5 4:41:07
84.93MB
1
机器学习和深度学习模型汇总：CNN:Alexnet,vggnet,GoogleInceptionNet,resnet
2025/6/25 19:37:52
3.01MB
1
基于c++和深度学习算法的骨架检测算法，可以实时运行，但需要基本的Nvidia的显卡，实测显卡750TI可以实时
2025/6/23 11:29:46
85.92MB
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