tensorflowpythoncpuwindow自己输入样本训练神经网络，测试，实现猫和狗两类动物的分类！！可用于学习！！样本资源少以及网络简单存在过拟合问题.
2024/6/22 15:23:11
142.71MB
1
Web的动手Python深度学习这是由Packt发布的AnubhavSingh和SayakPaul编写的“的代码库。
集成神经网络架构以使用Flask，Django和TensorFlow构建智能Web应用这本书是关于什么的？有效地使用深度学习技术可以帮助您开发智能Web应用程序。
在本书中，您将介绍用于使用Python在Web开发中实施深度学习的最新工具和技术实践。
从机器学习的基础知识开始，您将专注于DL和神经网络的基础知识，包括常见的变体，例如卷积神经网络（CNN）。
您将学习如何使用不同标准Web技术堆栈的前端将它们集成到网站中。
然后，本书通过为自定义模型创建RESTfulAPI，帮助您获得使用Python库（例如Django和Flask）开发支持深度学习的Web应用程序的实践经验。
稍后，您将探索如何为GoogleCloud和AmazonWebServices（AWS）上基于深度学习的Web部署设置云环境。
本书涵盖了以下令人兴奋的功能：探索深度学习模型并在浏览器中实现使用Django和Flask设计基于Web的智能客户端使用不同的基于Py
集成神经网络架构以使用Flask，Django和TensorFlow构建智能Web应用这本书是关于什么的？有效地使用深度学习技术可以帮助您开发智能Web应用程序。
在本书中，您将介绍用于使用Python在Web开发中实施深度学习的最新工具和技术实践。
从机器学习的基础知识开始，您将专注于DL和神经网络的基础知识，包括常见的变体，例如卷积神经网络（CNN）。
您将学习如何使用不同标准Web技术堆栈的前端将它们集成到网站中。
然后，本书通过为自定义模型创建RESTfulAPI，帮助您获得使用Python库（例如Django和Flask）开发支持深度学习的Web应用程序的实践经验。
稍后，您将探索如何为GoogleCloud和AmazonWebServices（AWS）上基于深度学习的Web部署设置云环境。
本书涵盖了以下令人兴奋的功能：探索深度学习模型并在浏览器中实现使用Django和Flask设计基于Web的智能客户端使用不同的基于Py
2024/6/19 18:14:16
44.25MB
1
CS231卷积神经网络(中文版,带书签),整理知乎:https://zhuanlan.zhihu.com/p/21930884，部分小节自己翻译。
2024/6/12 16:39:21
17.23MB
1
c++实现的lenet-5，开发环境是vs2015，打开工程就可以运行，大家可以下MNIST库试试，也希望跟大家学习交流
2024/5/29 17:09:30
367KB
1
用于编程语言处理的树结构卷积神经网络,ConvolutionalNeuralNetworksoverTreeStructuresforProgrammingLanguageProcessingTBCNN源码python
2024/5/23 3:54:40
1.23MB
1
基于卷积神经网络的真实图像质量评价方法，唐敏，刘勇，现有盲图像质量评价方法主要采用手动提取图像特征和传统的机器学习组合的方法，如支持向量机(SVM)。
传统无参考图像质量评价方法通�
传统无参考图像质量评价方法通�
2024/5/11 0:17:44
514KB
1
所用的方法是梯度下降（Gradientdescent）：通过使loss值向当前点对应梯度的反方向不断移动，来降低loss。
一次移动多少是由学习速率（learningrate）来控制的。
一次移动多少是由学习速率（learningrate）来控制的。
2024/5/10 21:09:10
16KB
1
集合了卷积神经网络从神经网络分类Alnex,GoogleNetv1-v4,VGG,Resnet,NetworkinNetwork论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3,
2024/5/8 19:11:33
43.2MB
1
论文+翻译+PPT+代码+动画视频PoseCNN：AConvolutionalNeuralNetworkfor6DObjectPoseEstimationinClutteredScenes；
机器人与现实世界进行交互时，对已知目标的6D姿态估计至关重要。
由于对象的多样性，以及由于对象之间的杂波和遮挡而导致场景的复杂性，使得该问题具有挑战性。
本文介绍了一种用于6D目标姿态估计的新型卷积神经网络PoseCNN。
PoseCNN通过在图像中定位物体的中心并预测其与摄像机的距离来估计物体的三维平移。
通过回归到四元数(w,x,y,z)表示来估计物体的三维旋转。
机器人与现实世界进行交互时，对已知目标的6D姿态估计至关重要。
由于对象的多样性，以及由于对象之间的杂波和遮挡而导致场景的复杂性，使得该问题具有挑战性。
本文介绍了一种用于6D目标姿态估计的新型卷积神经网络PoseCNN。
PoseCNN通过在图像中定位物体的中心并预测其与摄像机的距离来估计物体的三维平移。
通过回归到四元数(w,x,y,z)表示来估计物体的三维旋转。
2024/4/26 2:23:44
26.44MB
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