反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大规模的应用。
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层
2024/8/11 5:25:02
773KB
1
遮罩评分R-CNN（MSR-CNN），，，。
CVPR2019口头论文，该项目基于。
介绍包含一个网络模块，用于了解预测的实例遮罩的质量。
所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。
遮罩评分策略可在COCOAP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。
通过对COCO数据集的广泛评估，MaskScoringR-CNN通过不同的模型和不同的框架带来一致且显着的收益。
MSR-CNN的网络如下：安装检查以获取安装说明。
准备数据mkdir-pdatasets/cocoln-s/path_to_coco_dataset/annotationsdatasets/coco/annotationsln-s/path_to_coco_dataset/trai
CVPR2019口头论文，该项目基于。
介绍包含一个网络模块，用于了解预测的实例遮罩的质量。
所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。
遮罩评分策略可在COCOAP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。
通过对COCO数据集的广泛评估，MaskScoringR-CNN通过不同的模型和不同的框架带来一致且显着的收益。
MSR-CNN的网络如下：安装检查以获取安装说明。
准备数据mkdir-pdatasets/cocoln-s/path_to_coco_dataset/annotationsdatasets/coco/annotationsln-s/path_to_coco_dataset/trai
2024/7/13 21:17:27
1.59MB
1
卷积神经网络CNN代码解析，对MATLAB-deeplearningmaster工具箱的例子进行了说明。
2024/7/6 20:44:36
579KB
1
使用CNN深度学习网络keras框架识别交通标志使用了dataaugmentation，preprocess图片dropout等训练技巧
2024/6/29 12:48:28
862KB
1
基于CNN的疲劳检测源码-Python-模型：CNN；
-drowsinessdetection;-blinkdetection;-yawningdetection
-drowsinessdetection;-blinkdetection;-yawningdetection
2024/6/24 9:15:15
3.94MB
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
DeepLearn深度学习MATLAB工具箱，适合MATLAB平台快速入门深度学习，包含CNN,RNN,DBN等模型全套代码
2024/6/1 14:28:50
14.1MB
1
深度学习FasterR-CNN的多帧背景还原解决动态背景的问题。
针对动态背景下的目标提取问题。
本文提出了基于深度学习FasterR-CNN的多帧背景还原的前景目标提取算法。
基于FasterR-CNN对前景目标的单帧提取能力，对每一帧分别进行检测，并提取每帧的背景，经过图像融合还原出完整的不含目标的背景图像，并通过滤波与膨胀腐蚀等精确的提取前景目标。
针对动态背景下的目标提取问题。
本文提出了基于深度学习FasterR-CNN的多帧背景还原的前景目标提取算法。
基于FasterR-CNN对前景目标的单帧提取能力，对每一帧分别进行检测，并提取每帧的背景，经过图像融合还原出完整的不含目标的背景图像，并通过滤波与膨胀腐蚀等精确的提取前景目标。
2024/6/1 6:06:55
1KB
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
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